搜索资源列表
detect_motion
- 基于自适应背景图像更新的运动目标检测方法
VideosTargetDetection.rar
- 1. 静态背景下的背景预测法目标检测2. 静态背景下帧间差分法目标检测 3. Mean Shift目标跟踪方法4. 重心多目标跟踪方法 ,1. Static background prediction in the context of target detection method 2. Static background frame difference method for target detection 3. Mean Shift Object Tracking Method 4.
infraredimage.rar
- 针对红外图像序列运动目标检测和识别,针对复杂动态场景下的红外目标检测问题，提出了一种基于交叉熵的过渡区提取的红外运动目标检测方法,保证是原创，自己辛苦的作品）,infrared image detection
BGFG_CODEBOOK
- 基于码书的运动目标检测是和混合高斯模型（MoG，GMM）类似的而简单有效的背景剪除方法，附件是VC++6.0编写的基于码书的运动目标检测，可直接读取摄像头，也可改为读取硬盘视频文件，需安装Opencv1.1-Codebook-based moving target detection and Gaussian mixture model (MoG, GMM) and a similar cut off the background simple and effective method of a
motion-tracking-system-
- 本文分析比较了传统运动目标检测的3种主要方法:背景图像差分法、时态差分法和光流法,在此基础上给出了一种背景图像预测算法,大大减少了因为背景变化而产生的目标检测误差。本文基于OpenCV设计出改进的运动目标检测与跟踪算法,实现了运动目标的跟踪,并在VC++编译环境下,利用USB摄像头作为视频采集器,通过观察实验结果可以看出,本文的运动目标检测算法能够正确地检测出视频图像中的运动目标,而且在检测性能上优于普通的自适应背景差分法。 -OpenCV-based motion tracking sys
Video_detection
- 视频演示算法包括： 1. 静态背景下的背景预测法目标检测 2. 静态背景下帧间差分法目标检测 3. Mean Shift目标跟踪方法 4. 重心多目标跟踪方法 该框架支持的视频只限于RGB非压缩Windows AVI格式，可以通过“文件”菜单下打开视频来打开视频文件。-Algorithm for video presentation include: 1. Static background background prediction target detection 2.
Detection_Tracking_Multiple_Moving_Objects
- 论文名为基于全方位视觉的多目标检测跟踪。本文采用能实时获取水平方向360°场景图像的全方位视觉装置，设计并验证了一种新的多运动目标检测与跟踪方法。-Thesis called omni-directional vision-based multi-target detection tracking. In this paper, real-time access to the horizontal direction 360 ° omni-directional vision scene ima
xingtaihexiaobo
- 基于小波和形态学的自然地面背景红外目标检测方法-Based on wavelet and morphology of the natural terrestrial background infrared target detection method
Wrongsky_Moving_detect
- Wrongky方法实现运动目标检测，对微小变化不敏感-moving detect by Wrongsky method
shadow3
- 提出了一种室内静止摄像机条件下的运动目标检测和阴影抑制方法。该方法采用一种自适应的背景估计方法来实时更新 背景,用基于概率分类法检测运动目标,并在联合HMMD色彩空间和光度特征来抑制阴影之后,用Sobel边缘检测来修正运动目 标。实验结果表明,该方法能够有效地检测运动目标和抑制阴影。 -An indoor stationary camera under the conditions of moving target detection and shadow suppression m
Cross-Correlation-Target-Image-Detection
- 正交相关目标检测，采用正交相关方法检测指定目标在图像中的位置。适用于计算机视觉中的视频目标检测、视觉目标检测、目标定位、视觉目标跟踪、视频目标跟踪、图像匹配、图像配准等工作。-cross relation detection is used to detect object in image for in the field computer vision such as visual object detection, motion detection, object localization
PCMTITEST08
- 雷达信号处理，能够对雷达信号进行检测，并提供两种目标检测方法-Radar signal processing, able to detect radar signals and provides two kinds of target detection method
20080111
- 有关图像的目标识别："给出一种基于特征分类辨识的合成孔径雷达图像目标检测方法#用恒虚警和扩展分形方法对3&E图像进行目 标检测后用面积和峰值能量比算子辨识目标和背景杂波!去除一部分虚警!用小波域主成分分析对每个检测窗口内的图 像提取特征向量!用支持向量机对提取得到的特征向量进行分类!辨识目标和背景杂波!完成目标检测#使用&K?3数 据对该方法进行验证和分析!实验结果表明!经过特征分类辨识后!在检测率不变的情况下!虚警数目显著降低# -Related to the image ta
OpenCV_forward_backwrd_MHI
- Forward-Backward MHI(前后向运动历史图)是一个快速有效的运动目标检测方法，本程序正是实现2006年Zhaozheng Yin and Robert Collins的“Moving Object Localization in Thermal Imagery by Forward-backward MHI”文献中的方法。此程序可以很方便的对该方法的优缺点作出评判。给运动目标检测器的选择提供了除“帧间差”和“背景相减”外的又一方法。 本程序基于OpenCV。-Forwar
MotionDetection
- 静止背景下运动目标检测，采用帧间差分的方法进行运动目标识别-Static background motion detection, frame difference methods using Moving Object Recognition
7788
- 大名鼎鼎的方帅的博士学位论文---目前,计算机智能视频监控在理论和应用上都面临着很多难题,国内外大批学者投身于该领域的研究和探索,并且取得了大量的成果.本文是在这些成果的基础上,对计算机智能视频监控系统的关键技术进行研究.主要贡献可概括如下:首先,对目标检测技术进行了研究,并提出了一种基于背景建模的运动目标检测算法.利用统计的方法建立了基于颜色和颜色梯度的背景模型,并实时地对背景模型进行更新,最后将这两种背景模型综合考虑对目标进行了有效的检测.接着,研究了复杂背景下多目标跟踪问题,提出了基于蒙特
SARDetect
- SAR目标检测程序，基于各种目标特征的检测方法处理。-SAR target detection procedure, based on the detection of various target characteristics approach.
video
- 1. 静态背景下的背景预测法目标检测 2. 静态背景下帧间差分法目标检测 3. Mean Shift目标跟踪方法 4. 重心多目标跟踪方法(1. Background prediction method background detection in static background 2. Inter-frame difference method target detection in static background 3. Mean Shift The target track
常用目标标跟踪检测方法
- 常用目标标跟踪检测方法，可以用来参考参考(Common target tracking detection method)
target detection and tracking
- 通过红外图像的弱小目标实现检测与跟踪功能，本程序是基于局域概率分布的小目标检测方法(The detection and tracking functions are realized by the weak and small target of the infrared image. This program is a small target detection method based on the local probability distribution.)