改进ViBe算法与Meanshift结合的目标跟踪方法

为解决视频监控系统中因光照变化、相似颜色干扰及快速动目标而导致的目标易丢失问题,提出一种改进ViBe算法与Meanshift结合的目标跟踪方法。首先采用三帧差分和ViBe算法结合进行前景目标提取和检测,以消除鬼影的干扰,利用色度特征和梯度特征相结合的方法来抑制阴影;同时通过将边缘特征融入到Meanshift算法中,引入运动矢量在当前帧中预测下一帧运动目标的位置,实现场面监视环境中运动目标的持续、准确跟踪。通过在监控视频中行人、车辆及飞行器等不同场面目标做实验,验证了本文方法不仅能够持续、准确地跟踪运动目标,并且可适用于场面雾天低能见度条件下的运动目标跟踪。     

融合时空多特征表示的运动人体目标跟踪算法

为提升运动人体目标的跟踪效果,缩短目标跟踪耗时,提出融合时空多特征表示的运动人体目标跟踪算法。利用运动人体目标位置的获取时间关系确定目标初始运动速度,根据目标区域的质心位置计算搜索窗,提取运动人体目标位置;融合待检测像素点、像素点矢量及最大似然估计值3大特征,将融合多特征表示引入运动人体目标的联合概率密度函数,利用运动人体目标检测门限检测运动人体目标图像像素点,确定运动人体目标区域;通过对运动人体目标的重采样及状态转移,完成运动人体目标的跟踪。实验结果表明:所提运动人体目标跟踪算法的跟踪准确率高到92%左右,跟踪耗时较短、跟踪查全率较好,跟踪效果得到了提升。     

基于特征光流的多运动目标检测跟踪算法与评价

光流车辆检测算法其光流不仅携带了运动物体的运动信息,还包含丰富的三维结构信息,能够在未知场景信息的情况下对运动目标进行准确检测;但传统光流法计算方法复杂、抗噪性能差、处理速度缓慢,无法满足多目标实时检测的实际需求。为提高光流法实时检测效率,同时保持较好的检测精度,提出了一种基于Harris特征点光流及卡尔曼滤波模型的多运动目标跟踪算法;并提出新的视频目标检测算法性能评价指标。通过对不同实验场景下多个运动目标的检测与跟踪实验统计结果表明,对比主流Meanshift车辆跟踪算法,检测精度平均提高4.61%;且跟踪持续性提升41.5%,具有更好的鲁棒性及准确性。在时间效率上较比传统光流法平均提升42.9%,能够更好地满足目标跟踪实时性要求。     

基于背景学习与方向预测的车辆图像跟踪

针对移动目标检测,提出了基于变化因子参考背景学习与方向预测算子的图像跟踪方法.以高速行驶车辆为目标建立变化因子,在此基础上进行视频图像参考背景的学习,并通过互相关匹配与坐标变换实现运动目标的定位及速度确定,结合方向预测算子对车辆行驶矢量进行预测,进而实现目标车辆的图像跟踪.跟踪实验及性能比较证明本方法可获得准确稳定的运动车辆跟踪结果,为运动目标的图像监控研究提供了新的思路.     

基于分区灰度投影稳像的运动目标检测算法

针对视频监控系统中,复杂环境引起摄像机抖动,造成运动目标检测不准确的问题,提出了一种基于分区灰度投影稳像的运动目标检测算法.首先对每帧图像进行分区,利用分区灰度投影算法对图像各分区的运动矢量进行准确提取和相关性分析,进行抖动判断,并对抖动帧进行运动补偿.然后利用高斯混合背景建模算法进行运动目标提取.最后对目标提取结果进行形态学处理,以进一步提高目标提取的精度.实验结果表明,本文算法较好地消除了场景中运动目标对运动矢量计算的干扰,实现了在摄像机抖动视频场景中的运动目标的准确检测和提取,大大降低了抖动视频目标检测的虚警率.     

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.     

基于视觉的智能移动机器人的运动目标检测与跟踪

目的扩大机器人的目标搜寻范围,并对运动目标进行跟踪。方法提出了将运动背景下运动目标的检测方法应用于机器人目标检测与跟踪,并使用基于视觉的目标跟踪方法。结果机器人在运动状态下仍然能够进行运动目标检测。结论移动机器人能够在运动过程中准确地检测出运动目标,并有效地提高了目标检测的能力。     

基于多分辨率光流和多尺度角点的运动车辆跟踪

针对稀疏光流LK(Lucas-Kanade)算法不能稳定跟踪快速移动目标的局限性,提出了基于小波金字塔的多分辨率光流跟踪算法.算法基于多分辨率思想对原始稀疏光流进行了改进,从而实现了准确跟踪快速移动目标.在特征提取方面,提出了多尺度Harris角点检测方法,较好地解决了传统Harris方法的漏检和角点分布不均匀的缺陷,适合复杂交通场景中运动车辆特征提取.实验表明,当运动车辆旋转、移动以及摄像机变焦时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征角点,实现了复杂交通场景下对运动车辆目标的实时稳定跟踪.     

基于DM642目标跟踪与目标统计的实现

针对视频监控中单目标的跟踪及目标统计,提出采用一种背景差分和帧间差分相结合的方法,对运动物体进行有效的目标检测,提高了目标检测的精度。首先采用中值滤波去除图像中所含的椒盐噪声,通过形态学处理对提取目标二值化的图像进行去噪处理,然后利用多点定位算法实现目标跟踪。最后根据运动目标体的轮廓高宽比、面积、质心等特征量识别人体,当行人进入视频中特定区域后,进行人流量的统计。实验结果表明,该方法稳定性强、准确率高,所设计的系统能够满足实时要求。     

运动目标检测与跟踪

运动目标检测与目标跟踪是判断采集的视频序列中是否存在运动目标、以及监控运动目标运动轨迹和时空变化的技术手段,在电子地图数据处理、X光像、遥感跟踪、军工设备和雷达信号处理中都有很重要的运用.本文基于两个背景变化不大的图像序列,背景模型的建立采用累计平均法,检测图像内容变化时利用重建的差分法,利用运动图形序列在时间和内容上具有连续性,建立运动前景影像的历史纪录图,然后通过对历史纪录图进行处理,输入到卡尔曼滤波跟踪器,实现动目标的检测与跟踪.实验结果表明,该方法能够准确地定位物体运动的方向,能确定运动目标的运动规律,能实现对运动目标的实时检测与跟踪,具有很高的鲁棒性,效果良好.     

视频序列中基于特征匹配的目标跟踪方法

视频序列中运动目标的跟踪是智能视频监控领域中的一项重要问题,目标跟踪就是建立视频序列的不同帧中目标的对应关系.针对现有方法目标特征信息考虑不足的缺陷,提出一种基于特征匹配的目标跟踪方法.实验结果表明,所提方法在实时性的前提下,可以实现运动目标的准确跟踪.     

无人机视角下的特征匹配引导粒子滤波跟踪算法

粒子滤波(particle filter, PF)算法被广泛应用于视觉目标的跟踪,然而,在无人机视角下,摄像机与画面中的目标同时运动,导致了PF对目标运动状态的预测失效.针对此问题,提出一种面向无人机视角下的改进的粒子滤波跟踪算法——特征匹配引导的粒子滤波跟踪算法.首先,利用相邻两帧图像中目标物体尺度不变特征变换(scale invariant feature transform, SIFT)特征匹配的结果作为初次定位;然后,利用空间加权的HOG特征与PF相结合获取二次定位结果;最后,利用chamfer distance修正跟踪结果的SIFT特征点作为下一帧特征匹配的模板,从而循环产生准确的视频跟踪结果.比较试验表明,该算法有效地改善了传统PF跟踪算法在无人机视角下运动状态预测方程失效的问题,能够较准确地对运动目标进行跟踪.     

一种抗遮挡的运动目标跟踪算法

针对当前目标跟踪算法受环境干扰大、抗遮挡能力差等不足,设计一种抗遮挡的运动目标跟踪算法.首先分析经典运动目标跟踪算法——均值漂移算法的局限性,然后从目标候选特征中选择对跟踪贡献最大的显著特征,并采用自适应的模板更新策略提高运动目标精度.仿真实验结果表明,该算法能对运动目标进行准确、实时跟踪,加快了运动目标跟踪速度,且对遮挡目标具有良好的鲁棒性,可获得更理想的运动目标跟踪结果.     

基于视觉显著性特征的自适应目标跟踪

为解决运动目标跟踪过程中候选目标信息描述单一的问题, 提出一种基于视觉显著性特征融合的自适应目标跟踪算法。提取目标颜色、颜色的变化、强度和运动信息构建目标四元数模型, 采用相位谱重建算法检测目标的显著图(Saliency Map), 并根据特征相似度大小自适应调整权值, 融合视觉显著性特征和颜色特征实现目标跟踪。实验结果表明, 该算法能有效克服部分遮挡和背景融合干扰, 从而实现复杂背景下目标的准确跟踪。     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于Kalman滤波器与肤色模型的手势跟踪方法

有效和鲁棒的手势跟踪是动态手势识别的前提,针对手势及其运动的特点,提出了结合Kalman滤波器和肤色模型的手势运动目标跟踪方法.首先通过背景差法和YCb’Cr’空间上的椭圆肤色模型检测出手部运动目标,通过目标区域的空间结构参数来设置Kalman滤波器的各项运动参数,然后计算空间结构特征的跟踪匹配函数对目标预测位置进行修正,获得运动手势目标区域及其运动轨迹.实验结果表明,所提方法能有效地跟踪手势,并能较好地适应手势在运动过程中的手形变化、轨迹转弯等情况,检测准确,鲁棒性高.     

联合光流技术和区域轮廓模型跟踪运动目标

研究了飞机在天空飞行图像中的飞机跟踪问题.在分析飞机在天空飞行图像特点的基础上,提出了联合光流技术和区域轮廓模型跟踪运动目标的方法.首先,对图像进行高通滤波预处理,提取一些高亮度的斑点,获得运动目标的特征图像;然后用特征图像求解运动目标的光流,以光流对运动区域进行分割,获得运动区域的中心和半径,以该中心和半径的圆作为水平集的初始曲线;再采用Song and Chan方法快速检测运动目标的边缘.实验证明,该方法能够快速、准确地自动跟踪运动目标.     

基于MPEG—2视频流的目标跟踪快速算法

提出了一种新的目标跟踪算法 .对于输入的一组由静止摄像机捕获的 MPEG- 2视频流 ,该算法不需对其进行解码即可对场景中的运动物体直接进行目标跟踪 .MPEG- 2码流中的直流 ( DC)系数和运动矢量在目标跟踪算法中作为运动物体的特征被直接使用 .实验表明 ,该算法针对MPEG- 2视频流进行的目标跟踪具有实时性 ,也排除了复杂背景中的局部变化对跟踪结果产生的影响 .     

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.      

基于特征融合的改进粒子滤波目标跟踪算法

针对复杂背景下单一的颜色特征不能准确跟踪目标的问题,提出了一种改进的目标跟踪算法。该算法利用跟踪目标的颜色特征和运动边缘特征来表示目标。在粒子滤波的框架下融合特征信息从而进行目标跟踪,能够有效地避免单一颜色特征在跟踪过程中受到相似背景、遮挡等问题的干扰。通过与基于单一颜色特征跟踪实验误差数据的分析,实验结果表明该算法在复杂背景以及目标遮挡等情况下能达到较好的目标跟踪效果,实现目标的准确跟踪。