基于视频的人体运动肢体检测

要实现对视频中人体动作的捕捉和分析首先要提取出人体的运动肢体,当视频中背景和人体姿态比较复杂时,帧差法、光流法等传统的运动目标提取方法并不能准确检测出人体运动肢体的轮廓.在帧差法基础上,提出了动态区域边缘点保留法来获取运动区域的边缘点集,并根据人体先验知识总结出一种边缘点整合的算法,用于对运动区域的边缘点集进一步处理,得到了人体运动肢体较为完整的轮廓.实验证明,该方法可以较好地解决背景干扰和人体及服饰的非刚性问题,比较准确地检测出人体运动肢体的轮廓.     

基于小区域匹配的运动人体跟踪

为解决在复杂场景(光照变化、物体移动,增减以及遮挡等干扰)下运动人体跟踪的难题,提出了一种新的跟踪方法.该方法通过背景减除提取人体目标的多个小区域,利用模糊推理评价出它们在相邻两帧间的匹配可靠度;通过跟踪各个可靠度高的小区域,并对可靠度低的小区域进行邻域搜索、位置纠正和估计,完成整个人体目标的跟踪.实验结果表明,该方法能解决遮挡和其他物体的干扰,并能适应光照等环境因素的变化.     

视频流分析的隐藏马尔可夫链算法

视频流分析是多媒体技术研究的重要内容,具有广泛的应用领域．应用马尔可夫链模型,研究视频中的人体运动目标位置的跟踪,通过对跟踪的第一帧视频中的人体区域进行手工标注,建立马尔可夫链模型．然后结合卡尔曼估计算法,跟踪出下一帧的人体位置．实验证明,这种算法可以有效地解决在复杂的运动背景下,人体运动目标的跟踪问题．     

人体运动检测的光流与肤色融合方法

针对复杂背景环境中光流法难以检测出完整的人体目标区域的问题,提出了一种融合光流和肤色信息的人体运动检测方法.对视频序列进行光流分析,确定目标的运动区域;同时基于马氏距离检测出肤色区域;并对光流和肤色信息进行数据融合,分割出人体运动区域.实验结果表明,该方法能够有效地检测出完整的人体目标.     

基于图像运动区域的车辆遮挡跟踪算法

针对区域跟踪算法难以解决因车辆遮挡而引起误检的问题,提出了基于图像运动区域的车辆跟踪算法:采用背景剪除法提取运动区域,通过计算相邻帧运动区域的位置变化实现区域跟踪;建立车辆的二维矩形框模型,分析"区域--车辆"关系,结合区域跟踪的结果来判定车辆之间是否发生遮挡,并根据车辆行为来初始化车辆模型轮廓及速度;采用Kalman滤波器预测车辆在当前帧的位置,并以此预测位置作为车辆模型的初始位置进行模型轮廓的自适应调整,得到模型新的矩形轮廓;将新轮廓其所确定的几何中心位置作为测量值反馈回Kalman滤波器,修正Kalman系数,进行自回归运算和计算最佳匹配位置,从而实现车辆跟踪.算法测试实验使用的视频采集自江苏省通启高速公路视频监控系统,采用P4/2.4单CPU,结果表明,在为25帧/s视频流下,该算法准确跟踪率达到94.72%,有效解决遮挡问题,并具有较好的鲁棒性.     

一种有效的光学运动捕捉数据处理方法

提出一种适用于被动式光学人体运动捕捉散乱数据处理方法.该方法基于光学人体运动捕捉散乱数据的时空信息,提出了时空搜索数据处理算法.由于光学运动数据采集频率高,运动数据的前后帧之间在时间轴上成平滑线性关系,人体骨架关系的约束使得各帧数据在空间位置上遵循一定的拓扑关系.时空搜索数据处理算法合理地利用了运动数据时间轴上的线性关系和空间位置上的拓扑关系作为约束条件,有效地对三维运动数据进行了预测和跟踪,并对噪声数据进行去噪处理,对缺失运动数据提出基于刚体的补点算法,进行合理的补缺.该方法在处理过程中无需人工干预,并能满足实时性要求.     

基于混合差分法的运动目标检测

为了提高背景重建速度和目标检测精度,提出了基于混合差分的运动目标检测方法.采用一种基于统计模型的区域像素级背景重建方法.结合帧差分法对于环境的适应性和背景差分法目标检测的准确性.首先用帧差分法得到目标最大的可能区域,在该区域进行像素级背景重建.然后用背景差分精确提取目标区域.既克服了单纯帧差分对于目标运动速度的限制,又缩小了背景差分的区域,使运动目标检测的时间复杂度迅速降低.通过实验,验证了该方法在检测精度和速度上的优势,可以应用于视频监控和目标跟踪领域.     

基于局部分块和背景加权的视觉跟踪算法

针对视觉运动目标的鲁棒跟踪问题,提出了一种基于局部分块和背景加权的跟踪算法。首先对目标的前景和背景区域进行分块采样,然后利用基于积分直方图的局部快速穷搜索算法计算每一个分块在当前帧中的后验概率图,最后对后验概率图确定的对应分块的搜索结果赋予不同的权值,进而计算出目标在当前帧中的位置。实验结果表明:基于局部分块加权的跟踪算法比单纯的背景加权跟踪和分块跟踪具有更高的跟踪精度和成功率,且算法复杂度较低。     

基于信息融合的二维视频深度提取方法

采用多种深度线索获取二维视频深度,可以提高视频深度提取效果.针对运动线索,通过块匹配运动估计算法获得帧间深度信息;针对帧内线索,采用Laws滤波器提取深度特征,然后利用马尔可夫随机场模型训练获得帧内深度信息;在此基础上,提出了基于信息融合的二维视频深度提取方法.该方法首先通过计算背景和运动区域的信息熵,然后利用模式识别中的Neyman Pearson准则确定视频帧的运动区域.针对该区域,在帧内深度信息获取的基础上,融合帧间深度信息.实验结果和真实深度比较,证实了该方法的有效性.     

动态跟踪中背景补偿与目标运动估计

针对目标的观测位置信息中混入了背景运动的问题,提出一种特征点集与稀疏光流场相结合的背景补偿方法.通过Harris算子找出一组特征点,在相邻帧中通过计算每个特征点的局部最优匹配区域得到稀疏点集的光流向量.根据其光流方向概率分布,最终计算出背景的偏移量.通过背景补偿,得到目标的真实偏移量序列,带入Kalman滤波方程,对下一帧中目标的运动状态进行实时估计.实验表明,背景补偿后的预测精度在10个像素之内,每个均值迁移跟踪单元大约需要10ms,提高了跟踪的稳定性,有效减少了迭代次数.新的跟踪器能满足动态实时跟踪的要求.     

一种结合深度信息的人体行为识别方法

针对现有的人体行为识别方法中易受到噪声、光照以及复杂背景等因素的影响,同时,未充分考虑到人体交互区域的作用。提出一种结合普通彩色视频和深度信息的人体行为识别方法。首先,对于识别中提取人体运动目标时,利用深度图中物体表面法向量提取运动目标的边缘;同时结合加权累计帧差法获取运动模板。其次,结合深度连续性提取非人体区域(人体与动作的交互区域)并进行描述,作为人体行为表示的一部分。最后利用支持向量机(support vector machine)进行训练和识别。实验部分在CAD-120数据集中测试,通过与一些现有的人体行为识别方法相比较,动作识别准确率提高了5%左右。     

视频序列中运动目标跟踪新方法

提出了一种跟踪视频图像序列中运动目标的新方法.该方法利用一种基于动态信息窗口的自适应背景更新方法解决背景的复杂性问题,结合一种新的计算颜色模型解决运动阴影问题,从而得到具有精确边缘的特定运动目标.计算了运动目标灰度质心,在坐标系中记录其位置,并采用最小二乘法拟合实现了对运动目标的跟踪.实验结果表明这种方法能有效地跟踪并预测视频序列中的运动目标.     

基于Mean Shift的运动人体骨架重构方法

本文提出一种基于Mean Shift的方法来追踪并重构运动人体的骨架结构。首先,手动的将运动目标的部分肢体标识出来,为每一部分都设定Mean Shift跟踪模板,由于单纯的应用原始Mean Shift没有利用人体信息,本文提出一种结合肤色模型和边缘信息的Mean Shift算法将运动人体的骨架运动准确的跟踪,最后利用上面跟踪的结合各运动区域的运动信息,将人体骨架完整的重构出来。实验结果表明,本文方法能够实时的有效的对运动人体的骨架进行重构。     

人体运动目标检测与跟踪系统设计及算法仿真实现

在人体运动目标检测部分,根据室内监控的特点,提出了先采用统计平均法获取室内背景,然后选用背景减除法对运动目标进行检测,接着利用改进的区域增长法对属于同一目标的像素区域进行合并,判断并提取人体目标。在人体跟踪部分,使用卡尔曼滤波器预测目标参数,再根据预测参数跟踪人体目标,得到行人的运动轨迹。利用Matlab/Simulink对整个系统进行建模仿真,并不断修正算法的参数。通过室内实际采集的几个视频序列进行试验,该算法能够正确地检测并且跟踪运动的人体。     

基于时空联合的水下运动目标检测方法

提出了一种基于时空联合的运动目标检测算法,考虑到四阶累计量对于噪声具有较好的抑制作用,利用帧差的四阶累计量来提取运动区域(运动模板),与传统基于背景噪声方差的阈值确定方法不同,采用单帧图像上的有效带宽作为阈值,从而消除诸如水草、海洋生物等引起的背景纹理缓慢变化.为了得到准确的分割对象,引入马尔可夫随机场,结合区域的时空属性,把对象分割问题转化为求取区域最小能量问题,对水下噪声起到了较好的抑制作用.实验结果表明该算法能够有效地检测出具有精确边缘的水下运动目标.     

Motion Geometric Active Contours： Tracking Nonrigid Objects in Clutter Background

MGAC (Motion Geometric Active Contours), a new variational framework of geometric active contours to track multiple nonrigid moving object‘s in the clutter background in image sequences is presented. This framework, incorporating with the motion edge information, consists of motion detection and tracking stages. At the motion detection stage, the motion edge map provides an approximate edge map of the moving objects. Then, a tracking stage, merely using thestatic edge information, is considered to improve the motion detection result. Force field regularization method is used to extend the capture range of the edge attraction force field in both stages.Experiments demonstrate that the proposed framework is valid for tracking multiple nonrigid objects in the clutter background.     

Improved hand tracking algorithm in video sequences for intelligent rehabilitation

Intelligent rehabilitation system is an active research topic. It is motivated by the increased number of limb disabled patients. Human motion tracking is the key technology of intelligent rehabilitation system, because the movement of limb disabled patients needs to be localized and learned so that any undesired motion behavior can be corrected in order to reach an expectation. This paper introduces a realtime tracking system of human hand motion, specifically intent to be used for home rehabilitation. Vision sensor (camera) is employed in this system to track the hand movement, and the improved Camshift algorithm and Kalman filter are used to implement dynamic hand tracking in the video. CAMSHIFT algorithm is able to track any kind of target colors by building a histogram distribution of the H channel in HSV color space from the region of interests selected by users at the initial stage. Kalman filter is able to predict hand location in one image frame based on its location data detected in the previous frame. The experimental results show that this system can track 2D hand motion and has acceptable accuracy by using the two algorithms properly. The new algorithm proposed in this paper can not only deal with the skin color interference problems, but also deal well with the track of complex background.     

移动目标的自动监视报警方法

为了快速准确地从背景中检测出移动目标,并控制云台对目标进行自动跟踪,提出了一种移动目标的自动监视报警方法。该方法充分利用连续图像特性,采用改进的帧间减影法检测运动,并用差分图像的阈值化方法分割出动目标;进而采用光谱滤波等技术提高图像传感器的探测灵敏度,进一步提高了该方法的作用距离。仿真结果表明,该方法可以有效、准确地对移动目标进行检测和跟踪。     

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SIFI(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...     

一种基于目标定位的背景建模与视觉跟踪方法

提出一种基于目标定位的背景建模方法,通过对视频序列中运动目标的位置进行预估,将前景点与背景点初步分离,进而构建背景模型,有效避免了传统时间平均法构造背景时产生的前景目标与背景混合的现象.实验结果表明,该方法无需预先存储背景图像即可实现场景中运动目标的提取与跟踪,弥补了传统背景差法需要事先提供背景帧以及对背景变化缺乏适应性的缺陷.