序列图像目标跟踪的神经网络算法

针对序列图像目标跟踪问题，在提取图像特征点的基础上，提出了一种最优化算法，该算法将序列图像目标跟踪问题转化为相信两帧图像特征点间的匹配问题。文中根据匹配问题的各种限制条件给出代价函数，并利用Ｈｏｐｆｉｅｌｄ神经网络最优化计算功能来求取该代价函数的局部极小值。其中神经元的状态用以表示相邻两帧图像特征点间的匹配关系。神经元间的权连结用以反映地应特征点间的匹配程序。也就是说，本文针对序列黑种人希目标跟踪     

一种改进的Hausdorff距离目标跟踪算法

在序列图像中进行目标跟踪是计算机视觉、图像处理和模式识别领域里非常活跃的课题。采用Hausdorff距离模板匹配的方法具有计算量小、适应性强的特点,为了能对复杂背景（包括运动背景或移动镜头）情况下的序列图像进行准确的跟踪,综合考虑了图像边缘的位置信息和方向信息,对模板匹配和模板更新的策略作了改进,与原有方法相比,目标跟踪的准确度和算法的效率有了显著提高。     

基于粒子滤波的目标跟踪算法

随着当前计算机性能的不断提高,粒子滤波算法日益受到人们的关注,因为其在非线性、非高斯系统和状态滤波等方面具有独到的优势,也被广泛应用到运动目标跟踪研究当中。     

运动目标的快速检测与跟踪算法研究

传统的模板匹配算法精度虽高,但运算量大、效率较低。本文结合了帧差法以及多分辨率图像匹配的优点对模板匹配算法进行改进,并通过引入“预测”机制改变初始搜索点,减少了匹配区域,提高了运算速度,满足了实时处理要求。同时,采用了一种根据灰度特征进行模式匹配的跟踪算法,提高了模板匹配法对于目标运动姿态变化的自适应能力。仿真结果表明:上述算法在目标方向、平移、旋转以及图像背景、对比度、亮度发生改变时,均能较好的检测到目标。     

基于图像处理的运动目标跟踪系统

本文详细介绍了基于图像处理的智能目标跟踪系统的实现步骤.本系统通过图像识别、机器视觉等技术判断物体进入监视区域,计算出物体的移动速度和移动方向,根据检测的数据控制监视设备随着物体的移动而调整,从而达到智能跟踪物体的目的.     

基于特征值的运动目标快速检测与跟踪

通过分析视频序列图像的灰度特征,结合背景减法目标检测的优点,提出了一种静止摄像机条件下基于特征值快速检测与跟踪目标的方法。实验结果表明,该方法能快速有效地识别目标,达到了实时检测与跟踪的要求。     

多运动目标探测标记及跟踪

针对跟踪系统对多目标跟踪以及对实时性的要求,给出了一种基于中心点和面积特征匹配的多运动目标探测标记及跟踪方法．该方法利用对多运动目标检测后的二值图像进行了连通成分标记,提出了一种新的探测搜索标记法,赋予不同连通区域不同的数字来区分,通过四连通区域法来实现．由运动目标的4个顶点来确定中心点,通过面积及中心点距离从而进一步去匹配,最后根据标记结果在原图像中准确地框定了各运动目标,从而实现对运动目标的跟踪．采用上述算法,对车辆视频进行了跟踪,取得了较好的实验结果,跟踪实验结果验证了该方法具有很好的实时性．     

视频序列中基于特征匹配的目标跟踪方法

视频序列中运动目标的跟踪是智能视频监控领域中的一项重要问题,目标跟踪就是建立视频序列的不同帧中目标的对应关系。针对现有方法目标特征信息考虑不足的缺陷,提出一种基于特征匹配的目标跟踪方法。实验结果表明,所提方法在实时性的前提下,可以实现运动目标的准确跟踪。     

基于交通视频序列的多运动目标跟踪算法

针对智能交通领域对自适应多运动目标跟踪的广泛需求,提出一种新型的基于交通视频序列的多目标跟踪算法。通过Marr小波概率核函数生成静态背景,并结合当前帧在B/RDWT(Binary/redundant discrete wavelet transforms)域进行多运动目标识别,同时采用边缘阴影剔除算法去除阴影的干扰。运动跟踪采用SI_P(SIFT-particle)粒子滤波算法,并结合改进的均值漂移(mean-shift)法获得运动目标的准确跟踪窗口。采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低运算的复杂度。算法采用VC++6.0实现,通过实际道路测试,研究结果表明:SI_P粒子滤波算法与传统算法相比,平均时耗只多0.15s,跟踪窗口尺度可自适应变化,并且该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性。     

一种飞行目标跟踪方法

提出一种以单一飞行目标的质心为特征点的运动目标跟踪方法，对于产生的图像序列，计算每一帧图像中飞行目标的质心，并在坐标系中记录其位置，采用最小二乘法拟合实现对目标的跟踪。最后给出了实验结果，从实验结果可以看出，该算法对目标的跟踪和预测效果良好。     

基于视频的运动目标跟踪算法

为更加准确、 快速地检测与跟踪到运动目标, 将背景差分法和帧间差分法相融合对 CAMSHIFT (Continuously Adaptive Mean-SHIFT)算法进行改进。 首先, 通过背景差分法和帧间差分法相融合确定目标所在 区域, 然后结合 CAMSHIFT 迭代算法实现目标跟踪。 实验结果表明, 该方法改变了传统 CAMSHIFT 算法需手 动选定目标和跟踪窗容易发散的局限性, 并提高了跟踪的准确性与稳定性。     

基于传输时延约束的MPEG-2 VBR视频业务平滑

为了平滑在信道中传输的运动图像编码标准（ＭＰＥＧ－２）频频码流,并且同时保持较好的视觉质量,针对非交式应用中视频传输延时可以大于帧周期,并根据ＭＰＥＧ－２频Ｉ、Ｐ、Ｂ帧码字数的差异,提出了基于给定传输时延下的可变比特率（ＶＢＲ）业务平滑算法和对应的平滑计算公式,调整各帧的传输时间,在确保帧传输延时的前提下,减小帧之间的信道接入码率变化次数和帧度,降低信道的波动,从而便于进行接入控制,通过软件的仿真     

基于对象跟踪的视频分割

镜头是视频检索的基本单位,是摄像机在某一个地点附近或相邻的地点连续拍摄的内容．镜头时间由摄像机的开关机动作决定,具有连续拍摄的场景和较为连续的情节．几乎所有的视频分析和应用都是在镜头的基础上进行的．镜头的切换有两种：突变切换和渐变切换．突变是指从一个镜头直接切变到另一个镜头;而渐变是根据视频编辑手法的不同可以分为几种：     

快速离散余弦变换算法在MP3编码中的实现

在MP3编码中,子带分析滤波器是最主要的模块之一.根据MPEG标准算法,该模块的运算量约占了MP3编码总运算量的25%,而子带分析滤波算法最核心的部分就是离散余弦变换.提出了一个适合在DSP上实现的快速离散余弦变换算法,算法在保证精度的前提下,减少了运算量和存储量.     

一种基于算法融合的运动目标跟踪算法

为了提高目标跟踪算法在复杂环境下的稳健性,提出了一种将基于颜色特征的均值漂移算法和SURF(Speeded UpRobust Features)特征匹配算法相融合的目标跟踪方法。该算法首先采用颜色特征和SURF特征分别描述目标模板,利用均值漂移算法快速估计目标局部最优解。但仅采用单一颜色特征来估计目标位置,跟踪误差逐渐累积;采用SURF算法精确估算目标位置和尺度,及时修正累积误差。最后根据相似性度量Bhattacharyya系数选择较优的结果作为当前帧跟踪结果,且更新目标模板。实验结果表明,算法在目标发生较大形变、尺度变化、周边具有表观相似目标时具有很强的稳健性,且满足跟踪实时性要求。     

基于SURF的目标跟踪算法

为了改善运动目标在跟踪中的实时性问题,提出了一种基于SURF算子的目标跟踪算法。通过对SURF特征点集进行描述快速确定目标位置,实验表明该方法是一种简洁有效的目标跟踪识别方法。同时针对目标运动过程中短时间的遮挡问题,提出了一种目标遮挡检测机制,为目标遮挡的处理提供了一种途径。     

基于动静背景下的视频对象自适应提取算法

在MPEG-4标准中提出了VOP(Video Object Planes)的概念,可以通过VOP实现基于内容的操作。这样,从场景中自动地分割出视频对象就成为基于对象视频编码的先决条件。为此,提出一种基于动静背景下的视频对象自适应提取算法。该算法可以自动提取动态背景、静态背景,也可以在视频序列中出现背景和对象都停止变化时实现视频对象的提取。同时,该算法引入了视频前景和背景预处理,克服了由于视频图像对比度低造成的提取出的部分视频对象轮廓不完整的问题。     

基于宏块条互相关的MPEG-2 VBR视频统计复用

针对ＭＰＥＧ－２编码ＶＢＲ视频业务,提出了一种简便的统计复用方法,该方法对不同业务中宏块条码率样本进行互相关,根据互相关函数局部极小值所对应的码率样本偏移量,将不同业务的宏块条起始位置相对平移,并实现业务累加,从信元丢失率的角度与帧平移法统计复用进行了对比,结果表明,本方法的信元丢失率明显减小,并且随复用业务数量的增加,复用效果进一步提高。     

基于TMS6201的MPEG-4视频解码器的设计

该文介绍了 MPEG- 4解码器软硬件平台的设计方案 ,此解码器有很好的灵活性 ,便于按不同的应用对象扩展或修改算法 .     

基于CNN的粒子滤波目标跟踪算法研究

针对复杂场景下目标跟踪算法存在的跟踪目标丢失漂移等问题,提出一种粒子滤波框架下基于卷积神经网络（convolutional neural network,CNN）的目标跟踪算法.该算法采用CNN提取跟踪目标的高层语义特征,并引入离线训练方式,提高训练效率以及特征提取的泛化能力;利用粒子滤波算法框架,实现目标运动状态的有效估计;同时采用长时与短时两种更新策略,并引入困难样本挖掘的在线训练方式,以适应目标外观变化与背景干扰等复杂情况.仿真实验结果表明本文算法能有效适应遮挡、光照、剧烈运动等场景.与多个当前的跟踪算法在公开测试样本下进行了结果比较和分析,验证了本算法在解决跟踪目标丢失漂移等问题上的有效性.