一种基于运动目标检测的视觉车辆跟踪方法

针对复杂交通场景中动态光照变化、阴影和遮挡等因素带来的影响,提出了一种基于运动目标检测的高效、鲁棒的车辆跟踪方法. 采用自适应背景建模获取动态场景中的运动信息,通过阴影去除获得准确的运动区域,并针对场景中的遮挡问题提出了相应的遮挡检测与处理策略,最后通过区域匹配获得跟踪结果,同时使用Kalman滤波器建立车辆的运动模型,对跟踪结果进行了约束和优化. 实验结果表明,提出的视觉车辆跟踪方法可以在复杂多变的室外场景下有效地解决场景中的阴影和遮挡问题,得到鲁棒的车辆跟踪结果.      

一种基于SIFT的遮挡目标跟踪算法

针对运动目标遮挡的难题,提出一种新的遮挡目标跟踪算法。采用三帧取均值进行背景建模,采用相邻帧差法和背景差分结合自动提取出运动目标,对单运动目标生成SIFT(scale invariant feature transform)向量。当运动目标处于遮挡状态时,将遮挡区域与单运动目标进行SIFT特征匹配,通过特征匹配点的坐标,找出单运动目标在遮挡区域中的位置,并对SIFT特征匹配运用RANSAC算法进行优化,实现遮挡情况下目标的有效跟踪。实验表明,该算法能准确地跟踪处于遮挡中的目标,实现运动目标跟踪的连续性和稳定性。     

无线传感网跟踪任务中的目标运动 模型估计与节点调度

在无线传感器网络进行目标跟踪的过程中,合理的节点调度算法可以兼顾跟踪精度和能量消耗,延长网络的使用寿命.然而,当目标运动模型未知时,难以实现高效的节点调度.为解决目标运动模型未知场景下的跟踪问题,本文将监控区域中的目标移动和传感器观测建模为隐马尔可夫模型(HMM),并提出了HMMQMDP算法,把问题分解为运动模型估计和节点调度两个阶段:运动模型估计阶段是根据传感器采集的观测序列估计目标状态转移概率;节点调度阶段则被建模为部分可观测马尔可夫决策过程(POMDP),综合考虑决策的短期和长期损失,应用QMDP算法近似求解优化策略.仿真结果表明:该算法可以根据观测样本有效地学习和估计目标运动模型,提升节点调度算法的效果.     

基于色彩分割与局部模型匹配的非刚性目标跟踪

针对固定监控场景提出了一种基于色彩分割与局部模型匹配的目标跟踪方案.利用自适应混合高斯背景模型提取前景运动目标,通过基于区域生长的色彩分割算法建立目标局部模型并实时更新,结合区域约束条件和模型特征匹配实现目标跟踪.实验结果证明,本算法能有效地实现多运动目标的跟踪,对跟踪过程目标部分遮挡与形变问题具有良好的适应性和鲁棒性.     

面向运动估计器硬件实现的加权块匹配检测算法

在各种视频处理算法中，运动补偿型算法大大提高了各种视频处理效果。运动估计器的硬件实现是各种运动补偿视频处理算法在实际系统中运用的关键。由于块匹配运动估计算法较低的运算复杂度和硬件实现难度以及块匹配检测标准函数很高的调用频率，已经广泛应用到各种实际系统中。文中提出了加权最小最大误差的匹配检测标准，能够降低运动估计器的运算复杂度，减少估计器的硬件面积，提高硬件速度，而且能够降低递归搜索块匹配运动估计算法固有误差传递带来的负面影响。     

增强现实中跟踪预测方法的研究

为提高增强现实系统中标记跟踪注册的实时性,基于视频帧图像块匹配运动估计方法,通过连续帧间运动相关性预测标记运动方向,在预测方向区域检测标记,降低了全帧检测标记的时间复杂性。基于ARToolKit,验证了本方法可显著提高标记跟踪的时间性能。     

一种遮挡情况下运动车辆的跟踪算法

遮挡是基于图像对运动目标识别与跟踪时经常遇到的问题,也是动态图像处理较难解决的问题之一.针对这一问题,提出一种基于Kalman滤波和边缘匹配的跟踪算法.该方法通过当前帧目标边缘与实时更新模板的最优匹配来确定目标的位移量,首先采用Kalman滤波预测目标匹配搜索区域,然后在搜索区域利用边缘匹配精确定位目标,从而大大减少了匹配的计算量.实验结果表明,该算法对短时间内被遮挡的运动目标的跟踪和预测效果良好.     

基于ICT算法的复杂状态目标实时跟踪

针对压缩跟踪(CT)算法不能解决跟踪目标形变、被遮挡、光照变化等问题,提出改进的压缩跟踪(ICT)算法.采用卡尔曼预测下一帧中的目标状态,从而减小搜索域,并在目标被遮挡时估计运动轨迹;采用定向二进制特征(ORB)匹配算法,跟踪形变目标和判断目标是否被遮挡;采用ORB匹配跟踪、CT检测和贝叶斯学习相结合的方法,融合ORB匹配跟踪和CT检测,输出最优结果,减弱光照变化的影响,提高跟踪帧率的同时增强鲁棒性.实验结果表明:ICT算法能准确地跟踪形变及被遮挡目标,跟踪效果在多种数据集上表现出更高的鲁棒性和精确性,平均帧率达到74.137Hz,具有良好的实时性.     

一种多线索融合的均值偏移跟踪算法

针对传统基于的均值偏移(Mean Shift,MS)跟踪算法不能对运动目标准确跟踪的缺点,提出了一种融合多视觉线索的MS跟踪算法.首先根据目标在前一帧的估计位置,将目标搜索区域划分为目标区域和背景区域,其次在区域划分的基础上定义了一种新的颜色、运动线索直方图模型,能有效地抑制目标相邻背景的混乱干扰,最后基于MS理论框架提出了一种融合目标颜色、运动线索的跟踪算法,其颜色、运动线索可在跟踪过程中互补.实验表明,在目标快速运动、姿态发生较大变化或被遮挡的情况下,算法能够获得更为准确、鲁棒的跟踪结果.     

动态场景中运动目标检测与跟踪

为了在静态和动态场景中均能实现对运动目标的检测与跟踪,提出了基于运动检测和视频跟踪相结合的视频监控方法. 建立四参数运动仿射模型来描述全局运动,采用块匹配法对其进行参数估计;采用基于全局运动补偿的Horn-Schunck算法检测出运动目标;使用卡尔曼滤波对运动目标的质心位置、宽度和高度进行跟踪. 实验结果表明,该方法能够有效地对静态和动态场景中运动目标进行检测与跟踪.     

基于小波变换的块匹配运动估计方法

将小波变换引入低码率视频图像序列的运动估计研究中，提出了基于小波变换的块匹配搜索方法．该方法的特点是可根据运动物体的大小和运动程度，用可变宏块进行运动估计，统一了匹配块和匹配点的搜索，发展了一种改进的三步搜索算法．实验结果表明，该算法比三步法有更高的精度，更适应低码率和多细节视频图像传输中的运动估计．     

一种半自动分割视频对象的方法

提出一种半自动视频对象分割方法，通过对跟踪分割视频序列的后继帧，这种方法首先采用基于块匹配和最大边缘强度的运动估值和补偿方法进行对象轮廓定位，接着采用模板匹配以特定对象知识检测对象像素，为使轮廓定位更可靠，在块匹配的运动估值中使用了彩色信息，而模板匹配则使分割结果精确化，避免误差传递，并且在出现遮挡时只要对象颜色在整个序列中一直保持相似性，就能够正确测出对象，实验结果证明这种方法能够分割复杂场景中的任意对象。     

基于GMS和块匹配的运动估计特征匹配算法研究

针对运动估计中传统特征匹配算法存在匹配时效性差、精度不高等问题,提出一种基于块匹配搜索的改进网格运动统计算法.首先提取ORB特征点并将图像划分网格;然后计算网格内各特征点的运动平滑约束度,并以此作为准则确保匹配精度;最后采用块匹配菱形搜索算法进行特征匹配筛选以提高匹配速度.仿真试验结果表明:相较于随机抽样一致算法,特征点保持数量为500时匹配效率提升24.6%,匹配速度提高42.9%;与ORB-SLAM2算法相结合用于连续运动估计时,单帧耗时0.13 s,实时性较好.     

基于空间相关预测的快速块匹配运动估计算法

为了提高自适应十字搜索(adaptiveroodpatternsearch,ARPS)算法中运动估计的速度和准确性,提出一种基于空间相关预测的快速块匹配运动估计算法.根据块匹配度量准则,将邻域块中与当前块相似度最高和次高的两个运动向量(motionvector,MV)的均值作为当前块的预测MV,改进了传统ARPS算法的固定单块预测模式,增强了起始搜索中心位置的预测,减小了由于运动变化而引起的预测误差.实验结果表明所提算法与ARPS和其他标准快速块匹配运动估计方法相比,有效地减少了计算复杂度,提高了配准精度.     

基于遗传算法的人脸跟踪研究

提出了一种快速的、鲁棒的人脸定位及跟踪研究方法 ,定义了一种新的运动能量表示方法 ,利用该方法可以很快地检测出图像中的运动区域。在检测到的运动区域内 ,利用人的头部及面部结构知识确定出人脸区域 ,再将检测到的人脸区域作为模板 ,利用遗传算法在新的图像序列中动态地进行模板匹配 ,以确定人脸在新的图像序列中的位置。实验结果表明 ,该方法不但检测速度快 ,而且对光照、人脸姿态、表情及其他噪声具有较强的鲁棒性     

基于生成对抗网络的多目标行人跟踪算法

多目标跟踪领域中,在背景复杂、目标遮挡、目标尺度和姿态变换等情况下,容易出现目标丢失、身份交换和跳变等问题.针对这些问题,提出了一种基于检测的多目标跟踪算法,使用改进的YOLO人体人脸关联算法,对当前帧待检目标进行分类和位置检测,使用生成对抗网络构建特征提取模型,学习目标的主要特征以及细微特征,再运用生成对抗网络生成多目标的运动轨迹,最终融和目标的运动信息和外观信息,得到跟踪目标的最优匹配.在MOT16数据集下的实验结果表明,提出的多目标跟踪算法具有较高的精确度和鲁棒性,对比目前身份交换和跳变最少的算法,跳变的次数少了65%,准确度提高了0.25%.     

融合运动状态信息的高速相关滤波跟踪算法

为解决相关滤波(Discriminative Correlation Filter,DCF)算法在快速运动、遮挡、尺度变化等复杂情景下的跟踪失败问题,提出一种融合运动状态信息的高速相关滤波目标跟踪算法.在传统DCF算法基础上做出以下改进:(1)在跟踪框架中融入卡尔曼(Kalman)滤波器,利用目标运动状态信息对预测运动轨迹进行修正,以解决目标复杂运动时易跟丢问题,提高跟踪精度;(2)训练一个独立的尺度相关滤波器进行目标尺度预测,并利用主成分分析法(Principal Component Analysis,PCA)进行特征降维处理,提高跟踪速度;(3)提出一种高置信度更新策略判断是否对位置滤波器进行模板更新,以及是否采用Kalman滤波器预测位置作为目标位置.最后在OTB-100数据集上进行算法测试,提出算法平均精度与成功率分别达到74.8%与69.8%,平均帧率为84.37帧/s.相较其他几种主流算法,本文算法有效提高跟踪性能,并保证了跟踪速度,满足实时性要求,在遮挡、背景模糊、运动模糊等复杂情况下能够保持良好的跟踪效果.     

运动目标最优角点选择算法*

针对传统角点提取算法应用于运动目标优质角点选取上,较难平衡检测精度和检测速率的问题,提出一种稳健的角点选择新算法。首先将图像分块,用子块在相邻帧间的灰度差对其进行聚类,并分割出运动区域块作为角点的搜索区域;然后引入邻域块重新构造Moravec算法的能量变化计算方法,并用之检测目标上的角点;最后对检测到的所有角点进行动态过滤,剔除掉质量低的角点,留下质量高的角点代表运动目标的局部显著特征。将本算法应用于目标跟踪系统进行测试,测试结果表明它有较好的稳健性,较强的的抗噪能力和较快的检测速度,且能保证跟踪的准确性,可以很好地满足交通场景中对行人检测实时性和可靠性的要求。     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.