基于OpenMV的目标方位追踪算法

提出一种基于OpenM V的目标方位追踪算法.算法以机器视觉模块OpenM V为图像输入及处理平台,通过自带的摄像头采集目标图像信息,使用通用加速分割检测算法(AGAST)获取目标的特征点,将采集到的特征点与目标特征进行匹配,达到追踪目标并检测其方位信息的目的 .实验结果表明,该算法在目标方位追踪上具有较高的准确率.     

基于运动目标检测的交互式图片浏览系统

研制了一种基于运动目标检测技术的交互式图片浏览系统.首先使用高斯混合模型对背景进行建模,提出把传统的RGB颜色空间转化为YCbCr颜色空间的改进方法,以提高检测算法对光照变化的鲁棒性,实现对前景移动目标的有效检测,进而分离出目标对象,同时结合肤色检测技术和Canny边缘检测算法来实现对移动目标的定位.最后对实际开发的系统进行功能测试验证,取得了良好的预期效果.     

一种无线视频传感器网络的协同目标追踪算法

无线视频传感器网络由嵌入摄像感知装置的无线传感器节点组成。节点可以获得图像视频等更加直观的客观物理量,通过参数标定直接获取目标位置坐标,实现快速精准的目标定位。相比传统传感器网络, WCSN使得目标跟踪内容更加丰富。基于WCSN的特点,提出了运动趋势动态分簇目标追踪算法。该算法在网络中形成一个动态簇,根据目标的移动而动态更新簇内成员,选举新簇头对目标进行追踪,直到目标走出监测区域。仿真实验结果表明,WTDC算法较传统目标追踪方法计算简单、效率更高。     

基于曲线拟合的无线传感器网络目标定位算法

针对无线传感器网络的目标定位精度问题,提出了一种基于曲线拟合的目标定位算法.采用最小二乘法对目标经过的各个位置进行拟合,计算出近似目标运动轨迹的曲线参数;进而通过分段曲线拟合的方式,引入更多位置信息参加目标定位,从而减少定位过程中的误差因素,最终实现对网络中运动目标的定位与跟踪.实验结果表明,该算法具有比一般曲线拟合方法更高的目标定位精度,有效提高了无线传感器网络目标定位的准确性.     

基于深度学习的目标检测算法综述

目标识别和定位是计算机视觉领域研究的主要问题,图像分割、目标跟踪、目标行为分析等都是以图像中的目标检测为基础的.随着深度学习技术的发展,目标检测算法取得了巨大突破.在广泛调研相关文献的基础上,对目标检测算法进行分析和对比,分别研究基于区域提取的两阶段目标检测架构和直接位置回归的一阶段目标检测架构的本质特点和发展过程,并提出未来的发展方向.     

基于粒子滤波的变电站内动态目标跟踪技术

为实时智能监控变电站安全生产区域内的移动目标,克服现有视频系统人工切换图像和肉眼判断所造成的漏检和滞后问题,对变电站内运动目标的自动检测与识别跟踪技术进行了研究;基于背景差分法实现了人物动态目标检测,提出了基于颜色直方图的粒子滤波人物动态目标跟踪方法;通过提取目标颜色特征,建立目标状态模型和系统模型,进而准确定位目标;研发了变电站安全事件视频自动识别跟踪系统.系统应用结果表明:算法检测与跟踪的时间性能良好,能够快速识别目标,并准确跟踪目标运动轨迹,有效提升了全天候智能监控站内的安全生产能力.     

视觉动态目标识别研究进展

近年来,基于计算机视觉的动态目标识别的研究和应用逐渐成为热点问题,通过介绍国内外基于计算机视觉的动态目标检测、确认、定位等领域的研究进展,展望目标识别的发展趋势.首先介绍目标识别过程中的典型方法,然后对基于计算机视觉的动态目标识别算法进行分类,接着对各种方法中采用的不同算法技术进行阐述,并分别介绍了各类别中具有代表性的算法及其优缺点,最后就动态目标识别领域的研究难点及发展趋势进行了简要论述.     

基于逐级信息恢复网络的实时目标检测算法

随着卷积神经网络的发展,目标检测算法成为计算机视觉领域的研究热点,基于深度学习的实时目标检测算法需要同时兼顾检测精度和检测速度两项指标.不基于先验框的实时目标检测算法CenterNet大幅提高了检测速度,但是由于其直接对低分辨率高层特征进行连续上采样,没有充分补充特征在下采样过程中丢失的空间细节信息,导致算法对目标定位...     

基于改进YOLOv3算法的水面漂浮物检测方法

针对人工湖中的水面漂浮物检测问题,提出了一种基于改进YOLOv3的水面漂浮物目标检测算法,目标检测包括目标识别与目标定位.首先通过改进的k-means聚类算法获取先验框,以提高定位框与数据集标注框的匹配度,其次在YOLOv3算法框架的3个预测支路中添加类别激活映射(CAM),将原基于边界框的定位方式替换成基于像素点进行定位.实验结果表明:改进的YOLOv3算法提高了识别精度,降低了定位误差.识别精度为97.49％,比YOLOv3算法提高5.14％,平均定位误差为2.60个像素点,比YOLOv3算法减小了1.36.     

基于FPGA的静态背景下移动目标检测

基于现场可编程门阵列(Field Programmable Gate Arrays, FPGA)硬件平台和背景差分算法设计一个静态背景下的视频移动目标检测与跟踪系统,并详细给出系统的实现过程.检测结果表明:采用FPGA硬件实现系统设计,极大地提高了系统的处理速度,在静态背景下,可以实时、准确地检测和跟踪到移动目标.     

一种基于主动视觉的运动目标跟踪方法

提出一种基于尺度不变特征变换(SIFT)特征匹配的目标跟踪方法.首先使用SIFT提取目标特征,构建目标特征库,然后使用基于K维树的特征匹配算法,对实时序列图像提取的SIFT特征与特征库中目标进行精确匹配,实现目标检测与定位,根据定位信息自动控制摄像机转动,始终将目标锁定在图像视野中,实现实时跟踪.在真实的室内环境下进行目标跟踪实验,通过检验每一帧目标定位的正确性,计算目标检测的正确率.在本文实验条件下,正确率达到94%,而使用基于HSV色彩直方图的方法,目标检测的正确率小于80%,实验结果验证了该方法的有效性.     

传感器网络下目标追踪实验设计

文中设计了一种无线传感器网络下的移动目标追踪实验,介绍如何在模拟器上实现网络节点部署、组织和追踪移动目标。实验中移动物体依据真实出租车轨迹、高斯马尔科夫模型或随机路点模型进行移动;网络中节点则依照粒子滤波算法进行目标追踪和数据采集。该实验作为《无线传感器网络》课程的配套实验,有利于学生更好地理解基础理论知识,并且能锻炼学生在无线传感器网络模拟器上的实际编程能力。     

基于稳像技术的飞艇监控视频目标追踪

一般的目标追踪算法提取目标的颜色或轮廓特征,在图像区域内使用匹配算法完成对目标的追踪。由于飞艇容易受到气流影响,艇载相机平移误差会造成目标在视频的相邻帧间运动距离过大,传统目标追踪算法容易陷入到局部最优解而造成目标跟错或者丢失。该文提出了一种基于视频稳像的追踪方法,使用基于运动估计和混合滤波算法,首先处理视频使之平滑稳定,在此基础上利用人机交互选择目标并应用基于MeanShift的算法实现追踪。比较本文提出的算法和一般算法在飞艇视频目标追踪中的效果,结果表明:该方法在目标追踪中具有更高的准确率,同时满足实时性要求。实验证明了本文提出算法可以准确有效地处理飞艇视频目标跟踪问题。     

基于多特征融合的实时单目标追踪算法

针对实时单目标追踪问题,利用双边加权最小二乘模糊支持向量机,提出了基于多特征融合的实时追踪算法.在所提出的算法中,首先利用局部HOG特征和全局颜色特征分别训练双边加权最小二乘模糊支持向量机,然后利用两个分类器的线性组合实现目标追踪.针对基于局部HOG特征的分类器,利用基于多个基样本的相关滤波算法克服矩阵求逆.针对基于全局颜色特征的分类器,利用独热编码对特征进行编码实现快速计算.在公开数据集上的实验结果表明:与已有的高性能单目标追踪算法相比,所提出的算法在形变、快速运动、运动模糊等多个方面均表现出了更优的追踪性能.     

基于多源协同感知的目标追踪优化模型

面向物联网及多媒体传输等应用的中高速无线传感器网络,如何在有限的能量下提供较高的传输速率,以满足各种应用的需求成为亟待解决的关键问题.鉴于此本文提出了一种基于多源协同感知的目标追踪优化模型.该模型通过在追踪目标过程中对各节点的多源信息进行协同感知,针对能量阈值以及吞吐量进行多指标综合考虑,并采用优化算法进行多目标优化,实现了目标追踪过程中有效能耗下的高性能传输.经过与相关算法进行实验比对,本文提出的模型在多网络性能指标下均能够表现较好的效果,证明了模型的有效性.      

视频监控中多视角目标智能定位追踪方法研究

在视频监控中对目标进行定位追踪时,容易出现遮挡情况。当前定位追踪方法需预先检测出遮挡状况,再对目标位置进行校正,计算量大,且追踪结果不可靠。为此,提出一种新的视频监控中多视角目标智能定位追踪方法,针对每个摄像头采集到的图像,对其进行二值化处理,通过稀疏表示方法对目标进行定位。构建了视频监控中多视角目标跟踪的概率框架,针对每个智能摄像机,建立视频监控中多视角目标追踪模型。通过不同视角中的视频数据求出本地似然函数。为了避免维度灾难问题,对联合后验概率进行分解获取边缘概率乘积的形式,通过边缘概率求出被追踪目标在摄像机视角下的位置。依据消息传递机制实现信息融合,达到目标追踪的目的。实验结果表明,所提方法有很高的定位和追踪精度。     

复杂背景下的红外小目标图像信息提取

针对红外小目标跟踪测试系统的目标检测、识别和跟踪,存在着目标面积小、形态特征弱化、背景图像复杂等因素而影响目标信息提取的问题,提出了利用图像处理技术方法,对跟踪系统获取的图像进行改善处理.根据跟踪测试原理和复杂背景目标图像特征,研究了基于低通滤 波法的目标图像的预处理算法,目标图像增强,目标图像与背景分离和Sobel边缘检测算法等图像处理技术,从而对红外小目标图像定位.实验结果表明:所采取的图像处理方法可以对复杂背景下的目标信息提取,结合跟踪系统的控制机制,现实远程目标的动态跟踪.     

一种基于光流和二级聚类的移动背景下的目标检测算法

针对现有的移动背景下的目标检测算法存在检测速度较慢、自适应性差和检测准确度不高的问题,提出了一种基于光流和二级聚类的移动背景下的目标检测算法;该算法融合了阈值自适应规则和基于优化检测结果的反馈机制。首先采用Lucas-Kanade光流跟踪算法和DBSCAN聚类算法提取出前景目标,然后采用改进的凝聚层次聚类算法将前景目标分类。在第一级聚类时建立基于初始聚类结果的自适应规则,实现了自适应地检测目标;在第二级聚类后,通过去除错误匹配特征点和阴影区域特征点优化检测结果;并将优化后的检测结果反馈给第一级聚类过程以更新适用阈值,使目标检测更准确。在多个视频库上进行验证,实验结果证明该算法检测速度快、自适应性良好、检测准确度高。     

采摘机器人的目标定位和测量技术

在采摘机器人的工作过程中,为了提高采摘机器人的采摘成功率,需要获取水果的位置信息,以确定果实与采摘机器人的相对位置关系.由于采摘作业环境复杂,为提高采摘系统的工作效率,提出一种基于Opencv采用Yolov5算法和双目相机对水果进行目标识别和空间定位的方法.针对小目标识别在Yolov5算法中识别精度的不足,在Yolov5算法网络结构中叠加包含更多低层级信息的浅层特征图,实现小目标检测层进行算法优化,实验结果表明,优化后的识别网络对水果检测的平均精度为92.4%.基于深度学习的优化识别网络在识别小目标方面具有更好的性能,可以有效提高果农采摘系统的工作效率.     

一种创建关键帧的核密度估计运动目标检测

背景减法是运动目标检测的一类重要方法,它的难点在于背景动态模型的建立.非参数密度估计中的核密度估计方法是解决这一难点的十分有效的方法.但该方法的缺点是它的计算量较大,难以满足运动目标检测的实时性.针对该问题,提出一种基于关键帧的核密度估计运动目标检测算法.该算法采用提取关键帧的方式来建立背景模型,同时用此方式进行背景更新.它不仅减少了用于密度估计的样本数,而且降低了目标检测的虚警率和误检率.实验结果表明该算法能够适应环境的变化,比改进前的算法快了不止9倍,并可以有效地进行运动目标的检测.