摘要：图像异常检测是计算机视觉领域的一个热门研究课题,其目标是在不使用真实异常样本的情况下,利用现有的正常样本构建模型以检测可能出现的各种异常图像,在工业外观缺陷检测、医学图像分析、高光谱图像处理等领域有较高的研究意义和应用价值.本文首先介绍了异常的定义以及常见的异常类型.然后,本文根据在模型构建过程中有无神经网络的参与,将图像异常检测方法分为基于传统方法和基于深度学习两大类型,并分别对相应的检测方法的设计思路、优点和局限性进行了综述与分析.其次,梳理了图像异常检测任务中面临的主要挑战.最后,对该领域未来可能的研究方向进行了展望.

摘要：针对传统运动目标检测方法存在的缺点和不足,在对现有目标检测算法进行分析对比的基础上,设计并实现了一种简单有效的目标检测方案。首先提出了一种基于像素灰度归类和单高斯模型的背景重构算法,进而以此为基础采用背景差分法进行目标的检测,同时采用分层背景更新算法较好地解决了"拖影"和光照大面积变化的情况,最后给出了一种解决阴影的简单算法。实验结果表明,该算法高效、快速,可以满足实时检测的需要。

摘要：在对现有目标检测、跟踪算法进行分析对比的基础上,设计并实现了一种简单有效的目标检测和跟踪方案。首先提出了一种基于像素灰度归类和单模态高斯模型的背景重构算法,能够利用多帧包含前景目标的场景图像重构准确的背景模型。进而以此为基础采用背景减法进行各帧中目标的检测,并选取形心作为匹配特征实现了场景中多个目标的有效跟踪。实验表明,该方法实现简单,无须事先提供背景图像即可实现目标的准确检测和跟踪,其性能明显优于传统基于时间平均背景模型的方法。

摘要：基于OpenCV开源平台开发了一种多运动目标检测和跟踪的自动化智能方案。针对多个运动目标在复杂场景中的情况,无法根据背景差和帧间差的方法来确定目标是否首次出现,根据新目标期望出现的位置范围和轮廓面积大小采用筛选法来判断目标的性质。利用CAMShift跟踪算法提取每个目标的颜色特征信息,实现对多个运动目标的跟踪,最后将运动目标的轮廓和运动轨迹描述出来。实验结果表明,在目标颜色特征明显的情况下文中方法具有很好的鲁棒性和精确性。