八方向进给的目标跟踪插补法

介绍一种采用目标跟踪的插补运算,在电火花线切割机上实现八方向进给插补控制的数学模型,与常用的逐点比较法插补运算进行比较,目标跟踪法具有运算公式简单、速度快、程序短和进给速度稳定等特点.此外还介绍了目标点跟踪插补运算的框图及软件设计方法.     

实时视频对象识别与计数系统的模型和算法设计

动态视频对象的识别与检测是计算机图像处理领域中的一个前沿课题。该文提出了一种利用实时视频图像识别技术 ,对无规则行进队伍的人员进行检测与统计的系统模型和算法设计。基于颜色模型转换、减影、膨胀、腐蚀、聚类、匹配、跟踪等技术 ,实现了对特定检测区域内运动对象的识别、检测和计数。着重讨论了系统的设计原理和实现方法 ,以及对象运动的物理模型和多目标识别跟踪算法。该系统于1998年开始成功地应用于毛主席纪念堂 ,对每日的瞻仰人数进行实时统计 ,计数误差小于 3% ,系统工作稳定可靠     

基于交通视频序列的多运动目标跟踪算法

针对智能交通领域对自适应多运动目标跟踪的广泛需求,提出一种新型的基于交通视频序列的多目标跟踪算法。通过Marr小波概率核函数生成静态背景,并结合当前帧在B/RDWT(Binary/redundant discrete wavelet transforms)域进行多运动目标识别,同时采用边缘阴影剔除算法去除阴影的干扰。运动跟踪采用SI_P(SIFT-particle)粒子滤波算法,并结合改进的均值漂移(mean-shift)法获得运动目标的准确跟踪窗口。采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低运算的复杂度。算法采用VC++6.0实现,通过实际道路测试,研究结果表明:SI_P粒子滤波算法与传统算法相比,平均时耗只多0.15s,跟踪窗口尺度可自适应变化,并且该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性。     

运动目标识别与跟踪系统实现方案探讨

本论文主要研究视频序列图像中运动目标识别与跟踪的基本原理及实现方案。运动目标识别与跟踪系统是主要是通过对成像设备所获取的图像序列进行处理,力图从复杂的背景中识别出目标,并对目标的运动规律加以预测,实现对目标的连续、准确的跟踪。系统的算法涉及目标图像的预处理、目标识别与目标跟踪等。     

基于OpenCV的运动车辆识别与跟踪

在复杂交通场景下,针对运动车辆的特性,提出一种有效的识别和跟踪方法。使用背景差分,将运动目标从背景中分离出来,并在前景图像中对目标进行识别和标记,同时利用团块跟踪,对运动目标进行实时跟踪。在VC编译环境下使用Opencv开源库函数进行仿真实验,实验结果表明该文方法效率高,跟踪效果好。     

基于特征点光流和卡尔曼滤波的运动车辆跟踪

提出一种基于特征点光流的运动目标跟踪方法,将卡尔曼滤波跟踪技术和多边形跟踪策略应用于智能交通系统的运动车辆实时跟踪,使跟踪变得简单和稳定,计算机仿真结果表明,采用所提出的方法,能够以较高精度实现运动目标跟踪的目标模型选择、目标特征点选取、特征点光流计算、特征点光流聚类和目标识别,且计算量小、易于实现。     

运动目标识别与跟踪的模板匹配算法改进及仿真研究

针对传统模板匹配算法存在运算量大,以及干扰物中有部分区域和目标形状相同时识别率差的问题,改进传统的模板匹配算法,并在MATLAB6.5环境下,应用改进的新算法对简单背景中的运动目标进行计算机识别与跟踪仿真.新算法先对识别区域进行扫描点检测,判断该点是否满足要求再进行模板匹配运算;当某些干扰物体中某部分区域与目标模板相同时,采用自动模板更新的方法进行区分.仿真实验结果表明,改进的模板匹配算法大大减少模板匹配的运算量,并且可以有效地排除干扰物体对目标识别的干扰.     

汽车智能驾驶系统中运动图像的实时检测与跟踪

采用CCD摄像机获取运动目标图像序列,用基于背景重建的运动变化,对运动目标检测;通过运动分割并求运动梯度计算出物体运动方向;利用目标的短时相似性,完成对目标的跟踪与识别,并进而实现对目标长时间的稳定跟踪,确定目标的运动规律,实现运动图像实时检测与跟踪的目的.基于上述运动目标检测跟踪算法,利用C++编写了实时处理程序,实现了动态单目标、多目标及不同方向运动目标的检测与跟踪.实验证明,本算法可以实现对单运动目标和多运动目标的实时检测与跟踪,具有很高的鲁棒性,效果良好.     

一种改进的模糊C—均值聚类的运动目标检测方法

运动目标检测是运动目标识别与跟踪所必需的准备环节,本文提出了的一种改进的C-均值聚类的运动目标检测方法,检测运动目标是否存在,并利用试验证明,该方法确实有着良好的抑制噪音干扰效果,同时对小目标能够进行很好的检测和跟踪,保证了对进出目标跟踪的准确跟踪,而且运算量小,容易软件实现,实际效果较好。     

基于边缘增强模板匹配的PTZ主动目标跟踪系统

为实现对运动目标的动态跟踪,设计了基于PTZ摄像机的主动实时跟踪系统,实现对高关注度目标进行持续跟踪。该系统采用背景建模方法检测当前视野中的运动目标并进行跟踪,针对感兴趣目标采用基于边缘增强模板匹配(EETM)方法进行主动跟踪,并提出了一种简单有效的PTZ摄像机控制方法。采用海康威视球机进行测试,测试结果表明:该系统利用低成本PTZ摄像机可以实现对静态场景和动态场景中目标的检测和跟踪,对感兴趣目标进行主动跟踪,PTZ摄像机控制平稳,能够满足实时性的要求。     

一种运动背景下目标快速定位方法

针对运动背景下目标检测算法计算量大,难以实现实时跟踪的问题,提出了一种目标快速定位方法.该方法采用图像配准补偿背景运动量,由多帧图像差分消除背景图像获得目标图像,通过自适应阈值对目标图像二值化,用形态学处理消除噪声斑点,最后通过连通区域像素个数统计判决,进一步去除伪目标,最终定位目标区域.试验结果表明该方法能在2-6 ms内准确定位平移运动背景下的目标.     

一种自适应的背景模型建立方法

在背景差分法的运动目标监测中,背景通常用前m帧图像的平均值来估计,m的取值决定着背景估计的准确性,该值太大实时性差,太小准确性差.本文提出一种自适应估计最小m值的方法,先计算不同m取值下估计背景的标准差δ(m);然后寻找δ(m)序列的第1个最小值,对应的m值为估计背景所需最少帧数,此时背景为最佳背景模型.实验结果表明该方法对不同环境下获取的图像序列有较好的适应性,能使用最少帧数建立背景模型,为后续的运动目标检测奠定基础.     

一种运动目标单独识别的方法研究

利用不同人体之间纹理特征相异的特点提出一种检测特定目标的方法。首先,在背景差分图像中标识不同的运动区域,确定这些区域的极大概率、能量和熵3种特征向量;再把这3种向量进行相似性处理;最后比较处理数据的相似程度,从而达到对特定运动目标识别的目的。通过实验表明,这种方法不止在单幅图像中能识别出其中的特定目标,而且能计算序列图像中同一特定目标的相关性。     

非高斯噪声背景下计算机视觉目标跟踪方法

针对杂波背景下计算机视觉目标跟踪问题,提出一种非高斯噪声背景下计算机视觉目标跟踪方法.在视频目标运动模型和观测模型的基础上引入了柯西混合噪声模型,对非高斯噪声运动目标的状态进行建模;然后,在传统高斯噪声粒子滤波的框架内给出文中方法的具体实现步骤.针对大面积遮挡和夜晚光照改变的极端情况下对路上行驶的车辆进行实时跟踪实验,结果表明:文中方法明显提升极端杂波环境下的目标运动过程的建模精度,有效提升目标跟踪精度.     

背景移动补偿技术的研究

研究利用背景移动补偿方法消除运动图像相邻帧相减造成的背景杂波,从而把复杂背景下运动目标的识别问题转化为简单背景下的目标识别问题。利用背景中特征较为明显的区域进行模板匹配,得到背景的运动数据,依据此数据将相邻帧图像错位相减。将差分图像中的背景杂波去掉,只剩下运动物体的边缘和高梯度区域,有利于目标的识别。背景移动补偿实验结果表明该方法是行之有效的。     

基于序列图像时间稳定性特征的背景估计技术

针对背景的缓变特性和实时图像处理的需求,该文提出了一种基于序列图像时间稳定性特征的背景估计技术。采用一个时间矩阵来监视序列图像的稳定性特征,利用背景在时间上的缓变特性来实现对背景的提取和更新。结果表明:该方法具有简单有效、实时性能好、内存消耗少、背景提取速度快等特点,并对突变背景具有自动感知能力;时间矩阵对于运动目标的分布和轨迹分析也具有参考价值;该方法特别适合静止摄像机的背景估计,在背景配准后也适用于移动摄像机的背景估计。     

HSV彩色空间的室内外运动人检测与阴影消除

提出一种用于运动目标的分割,基于最大统计概率的自适应背景模型,采用简单的背景重建方法,用于维护背景以适应场景的动态变化.利用阴影区域亮度和色调的特点,在HSV(Hue Sataration Value)空间消除运动阴影,使得运动目标的分割更为准确.为了客观的评价所提出的阴影检测算法的性能,引入一种量化的方法,对不同光照和环境条件视频的实验结果及量化分析表明,方法是有效的.     

基于结构相似性粗定位与背景差分细分割的运动目标检测方法

针对抖动相机和静止相机下的运动目标检测问题,本文提出基于结构相似性粗定位与背景差分细分割的运动目标检测方法。首先使用动态模式分解法根据视频序列提取彩色背景图像为粗定位提供基础,提出在小范围内利用相关法对SIFT算子检测到的当前帧图像和彩色背景图像的特征点进行匹配,通过匹配点对的偏移量估计当前帧图像的偏移程度,以达到消除图像抖动的目的;然后利用结构相似性对目标区域粗定位,减少复杂背景的干扰;再对各通道下粗定位彩色背景图像及校正后的当前帧图像背景差分并对其结果进行与操作;最后通过形态学处理得到完整的运动目标。实验结果表明：本文方法不仅有效改善了相机的抖动问题,而且在抖动相机和静止相机两种情况下的检测率有所提高,与GMM等三种算法相比查全率和准确率分别提高1.6%、3.5%和3%以上。     

基于图像块归类的背景重构算法

为了降低图像序列运动目标检测中背景重构的时间复杂度和空间复杂度,提出一种基于子图像块归类的背景重构算法.在假设背景图像块以最大概率出现在图像序列中的前提下,选择编号频率最高的图像块作为背景图像块进行背景重构.在运动目标有较长的暂时停顿情况下,即观测长度较长时利用该算法进行实时背景重构具有明显的优点.仿真结果表明,该算法能够准确地重构背景,并有效地避免混合现象,从而实现对运动目标的完整提取,以便进一步识别或跟踪.     

基于邻域相关性的背景重构

 背景差法是一种重要的运动检测方法,当场景中背景被长时遮挡,并非总是以最大频率出现时,往往容易将前景错误地认为是背景,从而产生错误的重构,针对该问题本文提出了一种基于邻域相关性的背景重构算法.算法首先对输入数据进行排序;其次利用简单归类算法对排序后的数据进行分类;再次计算灰度类的出现频率,根据灰度类的出现频率得到像素的背景确定标识,并为背景不确定的像素选定候选背景;最后对背景不确定的像素循环执行背景确定程序,即基于像素邻域相关性,选择和邻域相似度最大的候选背景为像素的确定背景.为验证算法的有效性,对算法进行了多种场景的仿真实验,仿真实验表明,即使在背景被长时遮挡的环境中,算法仍能很好构建背景,从而有利于后续的运动目标检测、识别和跟踪.