导读:本文包含了自适应阴影检测论文开题报告文献综述及选题提纲参考文献，主要关键词:混合高斯模型,PBAS运动目标检测,图像分割,区域增长
自适应阴影检测论文文献综述
郑超[1]（2018）在《监控视频中运动阴影自适应检测与消除算法》一文中研究指出作为计算机视觉的一个重要研究方向,阴影检测与消除主要应用于目标识别、图像分割、运动检测等图像分析的预处理。目前已有的各种算法,当环境发生变化时,经常会出现误检或者漏检现象。针对这一问题,我们提出了两种鲁棒的阴影检测与消除算法。(1)提出了一种基于图的图像分割和区域增长相结合的阴影检测与分割算法。首先,利用梯度图像补偿方法,对已有的混合高斯模型进行改进,提取运动目标图像,消除图像空洞、噪声干扰等问题。然后,通过基于图的图像分割算法,对运动目标和阴影区域进行分割。最后,采用区域增长算法对于过分割区域进行合并,并将运动目标和其阴影区域准确的分割出来。(2)提出了一种基于梯度和YUV颜色空间的阴影检测与消除算法。首先,利用PBAS运动目标检测算法提取运动目标,并通过增加帧差法抑制Ghost区域。然后,将运动目标的梯度图与其对应的背景梯度图做差值,获取消除了阴影区域的前景目标候选区域。进一步的,采用基于YUV颜色空间的阴影检测算法,检测并消除运动目标的阴影区域,获得另一部分候选区域。最后,通过阴影的特征,将两部分候选区域有机的结合,获取消除了阴影区域的运动目标。和已有的多种方法相比较,实验结果表明,本文中所提出的两种阴影检测与消除算法,对不同的环境具有更好的鲁棒性。(本文来源于《安徽大学》期刊2018-05-01）
朱红,刘虹,迟金亮[2]（2016）在《基于二次迭代Cr分量的改进Otsu自适应阴影检测算法》一文中研究指出城市航空遥感影像中的阴影会造成影像信息丢失和信息干扰,现有阴影检测方法存在误检率高、精度低等问题。提出一种二次迭代Cr分量与改进的Otsu自适应阈值相结合的高分辨率城市航空影像阴影检测算法。将影像两次转换到YCb Cr空间,对其Cr通道直方图进行改进的Otsu自适应阈值选择,确定阴影区域。与二次迭代HSV空间检测方法进行对比实验,所提方法解决了前者的H分量损失和原始Otsu阈值算法选取不准确的问题,在准确率和精度方面具有明显优势。(本文来源于《科学技术与工程》期刊2016年27期）
王胜华,唐先亮,谭飞刚,黄玲[3]（2016）在《高速公路上自适应车辆阴影检测》一文中研究指出为了增强阴影检测算法对高速公路复杂的户外交通环境的自适应性,提出了一种自适应阈值的运动阴影检测算法。该算法先利用局部颜色恒定性(LCC)特征检测出阴影候选区,估计c_1c_2c_3颜色空间检测阈值,同时得到最终阴影候选区域;然后,通过空间调整和抽样估计得到新的LCC检测阈值;最后,通过加权将新检测阈值与当前检测阈值结合来实现阈值自动更新。在叁个高速公路测试集上的实验结果表明,该算法的综合评价指标达到了93.29%。该算法的检测精度比其他方法有所提升,通过自动更新检测阈值来适应高速公路复杂环境变化。(本文来源于《计算机应用》期刊2016年S1期）
虞伟民[4]（2016）在《基于阴影自适应门限的车辆检测》一文中研究指出为了提高基于车辆阴影特征的车辆检测正确率,对不同光照强度下阴影判决门限的提取进行了研究。提出了一种在HSV颜色空间中通过Otsu算法获得能适应环境光照变化的阴影判决门限的算法,并利用获得的阴影判决门限来检测车辆的阴影特征。该算法同时利用基于Hough变换的车道线检测算法来减少背景噪声的干扰,实现了在不同光照强度下对车辆的检测。实验结果表明,该算法在不同的光照条件下有较高的检测概率和稳健性,并且相对于传统算法性能有了较大的提高。(本文来源于《信息通信》期刊2016年05期）
王兴梅,印桂生,刘光宇,刘志鹏[5]（2015）在《Chan-Vese模型两相自适应窄带的阴影区检测方法》一文中研究指出为得到快速高精度的声呐图像阴影区检测效果,提出Chan-Vese模型两相自适应窄带检测方法。利用各向异性二阶邻域马尔可夫模型估计声呐图像的纹理特征参数,实现原始图像平滑去噪;由块方式的k-均值聚类算法确定图像的初始两类分割,初步确定阴影区大致位置,并根据此大致位置,自适应初始化零水平集函数,来减少人为干预,提高检测速度;在此基础上,提出建立Chan-Vese模型两相窄带水平集进行声呐图像检测,完成局部寻优,排除全局图像中孤立区对检测的影响,使阴影区检测结果更加精确。通过对真实声呐图像的检测实验结果分析,验证提出的检测方法能够去除原始图像的部分噪声,提高检测精度和速度,有一定的自动性和适应性。(本文来源于《声学学报》期刊2015年06期）
袁博,阮秋琦,安高云[6]（2014）在《改进的自适应灰度视频序列阴影检测方法》一文中研究指出提出了一种自适应的阴影检测方法,去除了传统固定阈值阴影检测方法残留的阴影边缘,有效地改善了阴影检测效果。首先采用kmeans聚类、求前景灰度直方图峰值间平均值等方法得到自适应的阈值,在此基础上,计算满足阈值约束的前景像素点,将该点及其8邻域点都作为可去除的阴影点进行标记。最后,去除标记的阴影点及极小面积的前景区域。本文对已有的阴影检测算法进行了改进,加入了自适应的阈值计算方法并去除了原有算法检测后残留的阴影边缘,在对室内及室外视频序列进行的检测中都取得了较好的效果。(本文来源于《信号处理》期刊2014年11期）
姜柯,李艾华,苏延召[7]（2012）在《基于全局纹理和抽样推断的自适应阴影检测算法》一文中研究指出为了提高不同光线环境下阴影检测的准确度和稳定性,提出了一种自适应的阴影检测算法。设计了一种阴影检测器,利用候选前景中像素YUV分量变化比率判别阴影像素,其检测阈值由阈值估计器得到。阈值估计器利用全局纹理和抽样推断的方法统计计算出当前光线环境下所需的阈值。整个阴影检测过程不需要人工干预,适应于各种复杂动态的场景。对代表不同光线条件的标准测试视频的检测实验表明,本文算法能够自适应地检测得到各目标阴影区域,具有较好的稳定性和实时性,综合检测指标达到94%以上。(本文来源于《光电子.激光》期刊2012年11期）
姜柯,李艾华,苏延召[8]（2013）在《结合边缘纹理和抽样推断的自适应阴影检测算法》一文中研究指出为改进阴影检测的准确度和场景自适应能力,提高运动目标检测精度,设计了一种自适应的阴影检测算法。该算法利用候选前景与原始背景的Y、U、V分量变化比率来检测阴影像素,并结合全局边缘纹理特征及抽样推断方法来估计检测阈值。算法能自动完成阈值估计及阴影判别过程而无需人工干预,并可自动适应各种光线条件,具有较强的鲁棒性。对不同光线环境的标准视频检测实验表明,该算法在精度和实时性上均有所提升,阴影检测综合性能指标达到了94%以上。(本文来源于《西安交通大学学报》期刊2013年02期）
常村红,刘骥宇[9]（2012）在《混合高斯模型下的自适应阈值阴影检测》一文中研究指出针对现有阴影检测算法参数众多,需要训练参数或者手动设置阈值的缺点.文章提出一种基于HSV颜色信息的自适应阈值阴影检测方法,并利用最大熵阈值分割实现自适应阈值阴影检测.实验表明,该方法能够准确地检测出阴影,鲁棒性强.(本文来源于《太原师范学院学报(自然科学版)》期刊2012年02期）
周孝敏,王直杰[10]（2011）在《基于背景自适应更新的车辆阴影检测算法》一文中研究指出对基于视频的交通流量参数检测及交通路口控制方法而言,车辆检测是很关键的一步,但是由于车辆阴影的客观存在,经常会造成汽车数量的误检。本文在背景自适应更新的基础上,对阴影建立了模型并对检测算法进行了改进,以提高车辆检测精度。(本文来源于《微计算机信息》期刊2011年09期）
自适应阴影检测论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
城市航空遥感影像中的阴影会造成影像信息丢失和信息干扰,现有阴影检测方法存在误检率高、精度低等问题。提出一种二次迭代Cr分量与改进的Otsu自适应阈值相结合的高分辨率城市航空影像阴影检测算法。将影像两次转换到YCb Cr空间,对其Cr通道直方图进行改进的Otsu自适应阈值选择,确定阴影区域。与二次迭代HSV空间检测方法进行对比实验,所提方法解决了前者的H分量损失和原始Otsu阈值算法选取不准确的问题,在准确率和精度方面具有明显优势。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
自适应阴影检测论文参考文献
[1].郑超.监控视频中运动阴影自适应检测与消除算法[D].安徽大学.2018
[2].朱红,刘虹,迟金亮.基于二次迭代Cr分量的改进Otsu自适应阴影检测算法[J].科学技术与工程.2016
[3].王胜华,唐先亮,谭飞刚,黄玲.高速公路上自适应车辆阴影检测[J].计算机应用.2016
[4].虞伟民.基于阴影自适应门限的车辆检测[J].信息通信.2016
[5].王兴梅,印桂生,刘光宇,刘志鹏.Chan-Vese模型两相自适应窄带的阴影区检测方法[J].声学学报.2015
[6].袁博,阮秋琦,安高云.改进的自适应灰度视频序列阴影检测方法[J].信号处理.2014
[7].姜柯,李艾华,苏延召.基于全局纹理和抽样推断的自适应阴影检测算法[J].光电子.激光.2012
[8].姜柯,李艾华,苏延召.结合边缘纹理和抽样推断的自适应阴影检测算法[J].西安交通大学学报.2013
[9].常村红,刘骥宇.混合高斯模型下的自适应阈值阴影检测[J].太原师范学院学报(自然科学版).2012
[10].周孝敏,王直杰.基于背景自适应更新的车辆阴影检测算法[J].微计算机信息.2011
标签：混合高斯模型; PBAS运动目标检测; 图像分割; 区域增长;