基于光流的运动目标检测与跟踪

采用经典的光流计算方法,对运动目标检测与跟踪。经仿真实验验证算法具有精度高,计算速度快的特点。将算法引入到序列图像的运动目标提取,可以比较完整地从背景中提取出运动目标,并能够稳定跟踪序列图像中的运动目标。     

基于光流技术的运动目标检测和跟踪方法研究

光流技术作为一种重要的二维运动估计技术,在运动目标检测和跟踪中有着重要的作用.为了更好地将光流技术运用到实时的运动目标检测和跟踪系统中,针对微分光流信息量丰富但计算量大、特征光流计算量小但信息量不足的现状,提出了一种基于最优估计的点匹配技术和光流均匀采样策略的光流场计算方法,并通过对灰度化后的光流场进行自适应阈值分割、形态学滤波等处理,实现了实时的运动目标检测和跟踪.通过对图像序列取700个样本点的仿真实验表明,该方法帧间处理时间基本小于100ms,同时基本解决了信息量和计算量的矛盾.     

基于光流的人体运动实时检测方法

针对目前广泛使用的光流法计算耗时严重问题,提出了基于差分图像绝对值和(SAD)与光流法相结合的人体运动检测方法. 通过计算SAD检测出运动区域,在已确定的运动区域内进行Horn-Schunck光流场计算,准确地计算出人体的运动信息. 在后续处理中,应用形态学的闭运算和连通性分析,较完整地分割出人体运动目标. 实验结果表明,该方法有效地提高了系统的计算速度,能够实时准确地对人体运动进行检测.     

基于光流法的篮球图像运动块差异自主检测方法

为了解决传统方法在人群密集遮挡情况下无法满足检测要求,以及针对正常运动块的加速度改变,容易误检测为差异运动块的问题,通过光流法研究篮球图像运动块差异自主检测问题。分析光流法方程,通过篮球图像序列中像素强度数据的时域改变与相关性判断运动块像素的变化。通过码本模型对篮球图像前景位置进行提取,避免人群遮挡干扰,在前景位置处找到特征点。获取目标特征点后,通过光流法对运动块进行跟踪,针对全部能够被跟踪的运动块,引入光流运动方向数据;把光流运动方向在相同角度区间中的特征点当成一组数据完成归一化处理,降低对正常运动块的误判断,增强检测精度。对各区间中光流加速度进行高斯滤波处理,把各角度区间加速度累加,将其当成篮球图像加速度,设定累积加速度阈值,在图像块累积加速度高于设定阈值的情况下,认为出现差异情况。结果表明,所提方法能够检测遮挡背景下篮球图像运动块差异,NMI与LODF值均较大。说明所提方法满足遮挡情况下运动块差异检测要求,检测结果准确,不容易出现误检测现象。     

基于光流法的运动目标检测与跟踪算法

选用Harris角点作为跟踪对象,将尺度空间引入角点检测,提取特征尺度上的Harris角点,并进行曲率非极大值抑制,滤除"伪角点",提高角点检测对尺度变化的抗扰能力.跟踪算法选用结合图像金字塔的光流法,迭代计算光流,并提出基于光流误差的跟踪算法,即用不同时间流的运动轨迹在同一帧图像的误差来衡量运动跟踪情况,避免跟踪点因被遮挡、消失或者纹理特征发生变化而导致跟踪失败.通过对不同视频图像进行检测的结果证明基于改进的角点提取和图像金字塔的光流法具有良好的跟踪效果,引入光流误差可以有效地滤除跟踪失败的特征点,准确估计运动目标的位置.     

背景运动估计与动目标检测

本文介绍了从运动背景中检测多个运动目标的技术,首先利用光流估算法估计背景运动速度,再通过估计值对运动背景进行补偿校正,对经补偿后的差分图像,本文统计其分布规律,设计最佳分割阀值进行图像分割,在滤去噪声之后通过识别连通域检测出多个运动目标。     

一种改进的基于活动轮廓和光流的运动目标分割方法

将光流技术和几何活动轮廓模型结合起来对运动目标进行分割,一方面可以通过算法分割出运动目标轮廓,另一方面,使得算法面对背景变化的情况仍具有一定的适应性.为了更好地将二者结合起来,进行2个方面的改进;建立基于运动边缘的几何活动轮廓模型,从而克服光流计算中由弱纹理区域产生的运动空洞对分割的影响;引入边缘增强的非线性扩散作为光流计算模型中的平滑项约束,可以在平滑流场的同时减小运动边缘处平滑效果而保护边缘,进而提高运动目标分割的完整性.研究结果表明:与现有算法相比较,该算法能够更准确地分割出运动目标的轮廓,同时在一定程度上克服背景运动的情况.     

一种新的运动点目标检测方法

常规运动目标检测中所用图像都是基于二维空间坐标的序列图,文中根据运动点目标与静态背景的特性,采用一种新的图像表示方法,以时间和空间为坐标,描述的时空图像能较直观地反映运动目标与静态背景的差异,易于实现目标与背景分离。通过实例处理表明,时空方法能更有效地从复杂背景中检测出低信噪比的运动点目标,抗噪声干扰能力强。     

一种基于时间差分与背景差分的运动目标检测方法

运动目标检测技术对于目标识别、跟踪和行为理解等后期处理有着重要意义.本文提出一种基于时间差分与背景差分的运动目标检测与背景更新算法.实验结果证明该方法适应能力与抗干扰能力较强,有一定的实际应用价值.     

结合光流法与最近邻算法的运动目标检测

运动目标检测具有广泛的理论和现实意义,光流法是检测运动目标的重要方法之一。但是用于运动目标检测的光流算法却有着计算量大、处理复杂的问题。一种聚类分析算法和改进的LK光流法相结合检测方案可以很好地解决此类问题。对基于改进的LK光流法的运动目标检测算法进行了分析和仿真,再加以聚类分析使得检测出的运动目标更加准确。首先对图像序列进行采样与预处理,并利用LK光流法计算得出相邻帧图像的光流场,然后再利用最近邻聚类算法对得到的光流场进行处理,进而检测出图像中的运动目标,最后使用Matlab软件进行算法程序验证。通过实验可知,基于金字塔LK光流法与最近邻算法的运动目标检测方案可以更加有效地检测出运动物体。     

一种改进的PBAS运动目标检测算法

针对现有PBAS目标检测算法在动态背景下存在着误检率高、检测精度较低的问题,提出了一种将改进的自适应决策阈值更新策略与优化处理方法相结合的目标检测算法。该算法首先使用改进的自适应前景判断阈值进行目标检测,然后对检测的结果使用前景点生命周期机制、形态学处理等方法进行优化处理。实验结果表明,与传统的PBAS算法相比,该算法在动态背景下可以更精确有效地提取出运动目标,准确度平均提高13%。     

基于时空特性的运动目标检测算法研究

采用时序分割虽然能够检测到运动目标区域,却不能准确地提取出目标轮廓．本文提出了基于时空特性的运动目标检测算法．由背景减法检测到运动目标的位置、形状、大小信息,然后采用以彩色梯度为外部能量的活动轮廓（snake）算法获得准确的运动对象轮廓．实验证明,本算法能够很好地提取出运动目标．     

复杂背景下运动目标的光流区域提取方法

经过对初始的图像序列作若干预处理后 ,采用改进的光流场算法从复杂背景中较快地提取出运动目标的光流场 .再经一系列光流场区域处理 ,较完整地提取出运动目标区域 ,以供运动目标自动实时跟踪系统进行速度的定量分析、计算和跟踪控制 .     

序列图像运动目标检测的一种快速算法

研究了序列视频图像中运动目标的检测与跟踪快速算法．研究基于Kalman滤波理论的渐消记忆最小二乘法,用该方法重建背景图像;采用图像差分算法提取运动目标;提出简化的等效灰度投影算法来计算目标的质心;采用记忆外推跟踪算法实现图像目标的跟踪,并且对全部算法做了仿真．仿真结果表明算法简单、有效、执行速度快、具有很强的适应性,能够用于单镜头序列图像中运动目标的检测与跟踪．     

基于目标匹配的遥感图像变化检测方法

针对传统的像素级遥感图像变化检测方法中检测精度严重依赖于图像配准、辐射校正和差异图像阈值选取的问题,提出了一种基于目标匹配的目标级遥感图像变化检测方法。该方法直接作用于2幅未经配准和辐射校正的不同时相遥感图像,利用目标的区域不变矩与目标之间的角度关系对目标进行匹配,将不能匹配的目标作为变化目标,利用匹配目标对2幅图进行配准,以同时实现图像的配准与变化检测,并用配准结果对变化检测结果进行修正。实验结果表明,该方法具有较好的定性检测性能。     

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．     

一种背景自适应的运动目标检测算法

鉴于传统混合高斯模型背景更新的不足,融合边缘检测、帧间差分,提出一种背景自适应的运动目标检测算法。该算法利用Sobel算子提取图像的边缘信息,采用了三帧差分法把每帧图像分为背景区域、背景暴露区域以及目标运动区域,对背景暴露区域、背景区域以及运动区域采用不同的背景更新策略。实验表明,算法对缓慢运动物体、光线突变及背景融入等条件有较好的适应性,能够有效地检测运动目标。     

基于三角核估计模型的运动目标检测方法

文章对基于高斯模型的运动目标检测算法进行了研究,在此基础上,采用三角核估计的非参数方法来对背景建模,从而检测出运动目标;并结合检测结果来更新样本和带宽,提出了与之相对应的背景更新方法。实验结果证明,该方法能准确快速的检测出运动目标,具有较强的鲁棒性。     

一种光学遥感图像海面舰船检测算法

为了在通用硬件平台上实现光学遥感图像海面舰船检测,提出一套适合实际系统应用的算法。首先,在海陆分割阶段设计能快速粗分图像内容的自适应双门限阈值分割方法;其次,根据海面舰船分布稀疏的特点对分块后的图像进行目标存在性初判;接着,只对初判为有目标的分块提取目标候选区域,提高了检测效率,其中引入杂波率系数自适应地控制Top-Hat算子中结构元素的尺寸,使其更好地抑制背景;最后,采用基于特征的模式识别方法剔除虚警。测试结果验证了算法的性能,并在硬件平台上进行了实现。