基于感兴趣区域的运动人体跟踪

为改善人体在跟踪过程中部分遮挡情况下的表现,提出了一种具有鲁棒性的联合跟踪方法.先利用显著图算法从人体区域中获取基于特征的感兴趣区域(ROI),然后用所提出方法对其进行跟踪.跟踪方法结合了差值平方和准则与基于颜色的均值漂移两种跟踪器的优点,使用卡尔曼滤波器进行状态估计,同时将由显著图算法产生的联合显著点作为局部多区域代替全局区域对人体感兴趣区域进行跟踪.试验结果表明,所提出的跟踪方法在人体部分被遮挡情况下的表现有了明显的改善,适合实时跟踪运动人体,具有很好的鲁棒性.     

基于分块变化检测的人体肢体运动跟踪

人体运动跟踪是基于视频的人体运动分析的关键技术之一.提出了一种新的人体肢体运动的跟踪方法,通过基于分块的帧间变化检测和二维人体块模型检测出人体运动区域,利用背景统计的技术从累积的帧差信息中构建出完整的背景区域,进而从运动区域中提取出头部和四肢的区域,通过区域形状分析确定各肢体区域的位置信息,从而判断出关节点的位置.实验证明,该方法可以对人体肢体的大幅度运动进行跟踪.     

基于快速卡尔曼滤波算法的运动人体跟踪

在对运动人体进行跟踪时,为保证系统的实时性和精准性,需要根据目标当前的运动轨迹预测目标在下一时刻的位置,并对该时刻的位置进行修正.笔者在卡尔曼滤波理论的基础上,对原有系统的增益矩阵和常数矩阵提出了新的确定方法,简化迭代计算的步骤,提高系统的计算速度,把该理论运用到人体跟踪中,使跟踪速度更为快捷,实现系统的实时跟踪.     

人体关节运动跟踪

基于计算机视觉的人体关节运动跟踪是建立在计算机基础上的可移植、可拓展的智能人机交互模式.通过极值点确定、初始位置确定、粗定位、精定位、带宽确定,获取运动人体关节的中心和带宽,从而识别人体关节.采用改进的Mean Shift算法对人体运动时的关节进行跟踪,应用改进的Kalman滤波器跟踪算法对运动目标的状态进行估计,解决了快速运动或突然变向的目标丢失的问题.最后,对改进前后Kalman滤波器跟踪算法的跟踪效果进行对比,验证了改进Kalman滤波器跟踪算法的优越性.     

基于粒子滤波算法的三维关节型人体运动跟踪

针对复杂背景,提出了一种新的基于三维关节型人体模型和粒子滤波器的人体运动跟踪算法,并基于此开发了一套鲁棒性强、精度高的应用系统.首先构建一个简易且完备的三维关节型人体模型.然后对经标定、校正之后的图像做背景减除,计算场景深度信息、前景轮廓信息、手臂轮廓信息,将这些特征与人体模型特征进行匹配,生成似然函数,使用粒子滤波得到模型的各个参数,恢复人体上身姿态.实验结果表明,此算法能够对各种复杂背景、不同光照条件、不同跟踪对象、各种姿态的人体进行跟踪,具有较强的适应性和抗干扰能力.     

基于运动函数化的人体步态建模与跟踪

基于粒子滤波器的人体运动视频跟踪是目前视频分析领域中的重要研究方向.而如何消除自遮挡、互遮挡以及背景混乱等问题对人体运动跟踪的影响是人们研究的重点.针对这一问题,本文中提出一种通过运动函数化建模并利用模型进行粒子状态预测,以保证跟踪准确性与鲁棒性的方法.     

一种基于人体运动目标跟踪的RJMCMC算法

提出了一种基于粒子RJMCMC算法的人体运动跟踪仿真算法,首先利用Simulink仿真将人体运动过程中各个关节点逐一收集起来,建立运动特征值矩阵,然后利用粒子RJMCMC算法来实现对矩阵每个关节点的跟踪,通过将RJMCMC算法与粒子滤波算法中重采样过程的融合,更加合理地对权值分布进行优化,从而降低权值的锐度,提高粒子样本的多样性。     

基于模板匹配的运动目标快速检测与跟踪

在图像跟踪系统中，运动目标的快速检测与识别是至关重要的．通过分析视频序列图像的特点，并结合帧差法和多分辨率图像匹配的优点，提出了一种基于模板匹配的快速检测识别目标的方案．实验结果表明，该方法能快速有效地识别目标，基本上达到了实时跟踪的要求．     

Kalman滤波的人体运动位置跟踪算法

基于视频的人体运动跟踪是当前计算机视觉研究的热点 ,具有广泛的应用领域 .文中提出一种基于 Kalman滤波的跟踪算法 .合理使用自适应背景颜色模型 ,能够准确地对人体运动位置进行跟踪 .     

基于小波模板匹配的目标跟踪

在目标跟踪数学模型的基础上,分析了小波变换在目标跟踪中的技术优势。为将目标跟踪流程中分步实现目标分离、目标特征提取和目标识别的方法并行化,给出了对小波域中系数空间矩阵进行分层匹配目标跟踪算法。在自行设计的基于DSP(DigitalSignalProcesor)的嵌入式跟踪系统中给出该算法快速实现方法。结果表明,在100MHz系统时钟情况下,模板窗口为128×96时,在搜索范围为256×192的跟踪窗口内,可实现实时的跟踪处理。     

基于运动平台的运动目标检测与跟踪

为了实现大视场智能监控,本文提出了一种基于运动平台的运动目标检测与跟踪方法.在相邻帧之间通过块匹配进行运动补偿,采用三帧差分法分割出运动目标.当运动目标正常运动时跟踪其形心;当运动目标被遮档时,根据卡尔曼滤波器预测的形心跟踪目标.其中,对于块匹配,采用边缘点作为匹配块的中心点并根据摄像机的运动方向确定搜索范围,使处理速度提高了38.6%.另外,比较得出最小二乘法对运动目标运动状态突然改变时拟合效果差,因此采用卡尔曼滤波器进行预测.实验证明,本算法适应环境变化的能力强,而且平均每秒处理37.6帧,达到实时处理要求.     

多传感器稳健融合跟踪算法

讨论了多传感器融合跟踪的稳健性算法．针对集中式多传感器的融合跟踪结构,采用统计方法和随机逼近方法分析了传感器最优权的选取原则,得出了传感器融合对公共测量噪声没有影响的结果．依据最优选取原则给出了两种自适应融合跟踪算法,算法能在线适应传感器性能的变化,并使融合方差最小．采用典型航路进行了算法仿真,结果验证了理论分析的合理性和工程应用有效性．     

结合特征点匹配的在线目标跟踪算法

提出一种结合特征点匹配的目标跟踪算法.首先,通过显著区域跟踪方法,解决算法对初始化目标框大小敏感的问题,提高样本选取质量,并降低背景杂波对跟踪器的影响.其次,采用中值流法跟踪和特征点匹配相结合的方法估计目标的尺度变化,并通过层级聚类方法剔除干扰点,解决跟踪器漂移及目标平面旋转跟踪失败等问题.最后,提出一种简单的检测器自适应尺度快速搜索目标方法加快检测速度.结果表明:所提方法有效地提高了TLD目标跟踪算法的跟踪鲁棒性,并在标准数据集上得到了很好的效果.     

基于模板匹配与线性预测的目标跟踪算法

为解决复杂场景中目标遮挡、算法鲁棒性差的问题, 提出基于模板匹配与线性预测的算法。该算法分为模板匹配和线性预测两部分。场景中无遮挡物时, 执行模板匹配算法, 获取目标跟踪信息; 否则, 通过预测算法估计目标的状态, 进而实现目标跟踪。实验结果表明, 在目标有遮挡干扰的情况下, 采用该算法能稳定、准确地实现目标跟踪, 与传统的模板匹配算法相比具有较强的鲁棒性。     

用于实时跟踪的模板匹配神经网络算法

研究复杂背景下运动目标的识别和跟踪.提出了一种新的基于模板匹配的神经网络结构,将模板与跟踪窗内待匹配区域的像素按环形排列,分别作为神经网络的阈值和输入,选择跟踪窗内与模板相对应的各环差值均较小的区域作为识别结果.由于模板匹配过程中像素按环形排列,因此对于目标的平移和旋转均具有不变性,同时,算法计算量比最小绝对差累加和算法略小.将该算法应用到实时跟踪系统中,实验结果表明该算法可满足跟踪系统实时性要求,验证了算法的有效性.     

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.