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。     

改进的光流法用于车辆检测与跟踪

利用帧间差分获取运动区域,采用梯度阈值获取二值图像,再提取运动区域目标特征点的光流,对光流矢量采取分段标注,设置感兴趣区域.利用光流特性实现目标的识别,定位与跟踪,对于运动目标的跟踪具有实时性和鲁棒性,能够用于车流量统计,对车辆辅助行驶研究起到一定的铺垫作用,实验结果证明该算法的有效性和实用性.     

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。     

IMM算法在车辆机动目标跟踪中的应用

针对高速公路车辆的机动目标跟踪问题,采用交互多模型算法(IMM)中的2个模型分别表示车辆的匀速运动状态和匀加速运动状态,并结合目标运动模型对目标当前加速度和其方差进行蒙特卡洛仿真.仿真结果表明该算法不仅可以在匀速运动时将关键测量噪声减低,而且在机动模型中保证状态估计量比未滤波的雷达测量值精确,同时可以对运动模型进行准确的识别,从而改善路面机动目标的跟踪性能,提高车辆的安全性和可靠性.因此,交互多模型算法可以满足高速车辆机动目标跟踪的要求.     

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.     

基于跟踪轨迹的车辆异常行为检测

为提高ITS(Intelligent Traffic System)交通事件管理的智能性, 提出基于跟踪轨迹的车辆异常行为检测,分为目标检测跟踪、轨迹分析处理和车辆行为分析3 个步骤。首先利用三帧差法对目标进行初始定位, 采用基于Kalman 预测器的改进跟踪算法对车辆进行跟踪; 然后提出采用最小二乘法自适应分段直线拟合算法对目标跟踪获得的运动轨迹进行快速拟合; 最后结合运动方向变化率和速度变化率两个参数建立车辆异常行为检测模型。实验结果表明, 在道路监控视频中, 该算法能快速准确检测急刹车、急转弯和急转弯刹车等车辆异常行为。     

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。     

多车辆跟踪时目标粘连的解决方法

复杂交通中车辆间的相互遮挡会造成图像中的车辆粘连,针对这一问题,提出了一种新的基于Kalman预测模型与正交投影定位理论的多运动目标分割与跟踪方法.利用粘连车辆在时域上的历史运动信息和Kalman预测结果,在二值图像中构建特定粘连车辆的分割窗;在分割窗内利用水平-垂直正交投影和动态阈值的理论方法,确定目标最小外接矩形.设计目标分割评判函数,确定粘连车辆分割的合理性,并给出相应的处理结果.实验结果表明,该方法能够有效处理目标相互粘连的情况,实现目标的稳定准确跟踪,并且计算复杂度低,能够满足实时环境的需求.     

运动序列图像中目标点的自动定位与跟踪研究

目标跟踪是视频运动图像数据分析前期的一项关键技术,通过对目标点的定位跟踪,以便研究人员在跟踪过程中提取运动目标的相关参数,有助于对视频图像中目标的运动技术进行分析。结合模板匹配快速定位算法与Mean Shift算法,研究了运动图像序列中目标点的自动定位与跟踪问题。实验结果显示,算法具有良好跟踪效果。     

基于幂次变换和区域收缩算法的运动目标检测与定位

运动目标分割与跟踪是计算机视觉中的重要研究课题,而目标检测与定位是其中的必要步骤,对分割与跟踪效果影响很大.在此提出一种新的运动目标检测与定位方法,该方法在差分二值图像上,通过区域收缩定位到运动像素密度较大的区域,从而实现运动目标定位.在多目标情况下,先通过幂次变换突出不同位置的目标,然后再通过区域收缩实现目标定位,给出目标的特征矩形,便于进一步的跟踪与识别.该方法不需要任何关于目标数的先验知识,对噪声鲁棒性较强.文中给出的实验结果证明该算法的有效性.     

基于卡尔曼滤波的车辆跟踪技术

为了满足高速行驶下系统对目标的快速定位,介绍了如何运用卡尔曼滤波技术建立一个通用的物体运动模型,从而达到快速跟踪一个或多个运动目标的目的.着重介绍了动态噪声为有色噪声的卡尔曼滤波算法,针对具体对象构造了状态方程和测量方程,并给出了具体计算方法和实验结果.该跟踪技术在四川省高速公路上进行了反复实验,本车时速达到120 km/h时,仍然可以实时跟踪定位前方车辆.     

SOAMST目标跟踪算法的改进应用研究

基于视觉图像的飞行器目标跟踪中,一般要面临目标严重遮挡和目标大尺度形变等问题。为了实现这种情况下的准确目标定位和目标跟踪,提出采用融合卡尔曼滤波器的改进SOAMST算法:一方面利用卡尔曼滤波的递推与估计能力来解决目标运动过程中目标被遮挡的问题;另一方面使用基于大津阈值的改进SOAMST算法来处理运动目标的大尺度形变以实现目标的准确定位。实验结果表明,该算法能够处理运动目标的严重遮挡,实现对运动目标进行准确的定位和跟踪。     

基于视频角点信息特征的交通流参数测算方法

提出了一种基于视频图像中角点特征的交通参数检测方法．首先设置检测区域,并将检测区域分为初始检测区和跟踪检测区,在初始检测区内对运动车辆的存在性进行检测．为了加快计算速度,利用虚拟线状态检测的方法判断车辆是否驶入,如果有运动车辆出现,则对运动车辆的角点进行定位,并在初始检测区内实现状态参数的初始化．在跟踪检测区．基于刚体运动的一致性假设,依据角点的分布特征对车辆进行分割,实现对运动车辆的跟踪．在车辆完全驶离跟踪区域时,统计交通流的流量、速度以及车型等信息．     

运动目标检测跟踪方法研究

研究了在简单背景下实现对单一运动目标识别跟踪,并给出了系统的原理图和结构图。介绍了利用帧差法实现对运动目标的识别,结合形态学中的开运算和闭运算对初识别后的二值图像进行双滤波,再对运动区域进行跟踪与标注,将运动目标用矩形框包络起来。实验结果表明,该方法能够在简单场景下对运动目标进行实时识别跟踪,达到预想的效果。     

运动目标的快速检测、跟踪和判别

为完成自然环境中大范围的环境监控 ,实现了一个运动目标检测、跟踪和判别系统。该系统利用一个固定平台上的、有 3 60°旋转和一定俯仰的两自由度摄像机监视自然环境 ,利用 2 -D仿射模型和鲁棒参数估计的主运动分析得到背景运动参数 ,能够在短时间内完成 3 60°全景图的拼接 ,并能利用出格点检测和聚类自动检测、通过限制搜索范围的检测和维护运动目标缓冲池主动跟踪运动目标 ,还能按目标区域的周期性变化判别目标种类 (人或车辆 )。实验表明 ,系统能够实时可靠地检测、跟踪运动目标并完成判别 ,满足特定的监控要求。另外 ,该运动目标判别方法简单可靠 ,其结果可作为视频序列识别和检索的一项重要特征     

被动声目标定位与跟踪的实验研究

目的　研究被动声定位和跟踪的可行性。方法　设计被动声目标定位、跟踪的实验系统,并进行静目标定位实验与运动目标定位与跟踪实验。结果　实验系统对静目标测向精度较高,而测距精度很低;对恒速运动目标,采用测向信息和多普勒频移信息相融合的算法得到了目标运动速度、距离的精确估计。结论　将基于时延估计的被动声测向和线谱频率估计的多普勒频移信息融合可实现对恒速运动目标的跟踪。     

基于视频的机场出发层违规接客车辆识别方法

为有效监管机场出发层车道边车辆违规接客行为,降低违规接客行为对陆侧交通通行能力的影响,建立基于监控视频自动识别航站楼出发层违规接客车辆的方法,对违规接客车辆的行为特征进行分析,提出基于YOLO＿v4&深度简单及时跟踪(DeepSORT)的车辆运动状态检测算法与车辆接客行为识别算法。首先,使用YOLO＿v4识别目标,获取目标的类别与位置信息,统计车辆目标在各个运行状态下的位移数据,分析车辆目标运行状态阈值,建立基于固定监控机位的车辆运动状态检测算法。然后,结合识别跟踪的信息,分析发生接送客行为时各目标间的行为关系与发生区域,以车内人数变化为区分接客与送客行为的重要依据,建立了基于YOLO＿v4&DeepSORT识别跟踪结果的接送客行为检测算法。其中,违规识别算法使用YOLO＿v4和DeepSORT识别、跟踪、记录并处理目标类别与位置信息,判断车辆的运行状态与驾乘人员在车辆附近的相关行为;在车辆停止时记录乘客行为信息,计算车内人数变化情况,在车辆消失于监控区域时根据最终车内人数变化情况判断车辆的接送客行为。最后,使用Python语言实现机场出发层违规接客车辆识别算法,并以昆...     

交通视频中的Kalman滤波的多车辆跟踪算法

提出了一种交通视频中的Kalman滤波的多车辆跟踪算法.该算法利用Kalman滤波器反馈控制系统估计运动状态进行预测和修正,并为运动目标建立模型;利用当前车辆的信息对下一帧目标的位置进行预测,以便缩小目标的搜索范围和搜索时间,从而快速跟踪车辆.利用车辆的外接矩形框大小、质心等特征对车辆进行特征匹配,为交通视频中的车辆建立对应关系,利用新的系统参数更新模型,获得车辆的轨迹,如此反复,从而实现对车辆的跟踪.实验结果表明,此算法运算速度很快,对于车辆这样的快速运动目标,也具有较好的跟踪效果.     

移动机器人行人目标活动区域快速检测算法

针对移动机器人运动目标检测过程中运动目标与背景均存在位移致使跟踪失效的问题,提出一种显著光流分析法对室内行人目标活动区域进行检测与标识,能够快速有效地为移动机器人视觉检测与跟踪算法提供简便的初始区域定位信息。经仿真实验分析,该算法能够在室内复杂的情况下,快速检测出行人目标的活动区域,方便人物识别与躲避,具有较强的工程应用价值。     

混合交通场景中的车辆检测和识别

介绍了一种城市交通流量视频检测系统及其车辆识别新算法。通过检测道路上的运动目标并利用目标的运动信息和外形特征进行车辆识别。考虑到目标的阴影会影响目标的形状特征 ,导致目标识别错误 ,提出了一种新的阴影检测算法———利用目标的灰度特征对运动目标进行阴影检测和分离。实验结果表明该系统在模拟城市混合交通环境下 ,能够克服目标阴影的影响 ,准确检测和识别车辆 ,同时能够满足实时性的要求