基于全景视觉的目标跟踪方法研究

文章充分利用全景视觉具有360°视域的特点,将其引入视频监控领域,提出了一种基于全景视觉的目标跟踪方法。该方法基于多摄像机跟踪的思想,通过分析全景视觉的构造,将其分解为基于静态相关联多相机的跟踪。通过划分视场分界线,确定摄像机间的重叠区域,并对摄像机间相互关联关系进行描述和判断。当目标进入重叠区域时,通过同一目标在相邻视域中的关联实现目标交接,以达到在整个全景视觉中实现目标连续跟踪的目的。以全景视频中的行人跟踪为例,对文中所提的跟踪方法进行验证。实验结果表明,该方法可以有效解决多相机间的目标交接问题,实现全景视觉下目标的连续跟踪。     

基于kinect摄像机的多运动目标实时跟踪

多运动目标跟踪是视频监控中的关键问题,在目标相互运动发生遮挡时,采用二维摄像头监控容易丢失信息而造成跟踪失败.本文采用kinect摄像机获取目标的RGB图像及深度图像,并分别获取基于RGB图像信息的目标颜色模型和基于深度信息的目标三维空间模型,在视频帧间将颜色、空间模型分别匹配得到目标帧间匹配度,通过Mahalanobis距离算法实现多目标匹配,从而得到多目标识别跟踪结果.实验表明,在RGB-D数据集及拍摄的视频序列上均取得了较好的跟踪结果,实现了kinect三维视觉下的实时多目标的跟踪.     

生成式与判别式视觉目标跟踪算法综述

视觉目标跟踪是对目标位置、速度、运动轨迹等信息检测与预测技术。该技术融合了计算机视觉、图像处理、深度学习等众多领域技术。本文将对目标跟踪算法发展情况以及研究现状进行梳理。首先介绍目前常用的基准数据集;其次指出生成式算法与判别式算法差异;再对传统的生成式算法进行简单的分析总结;随后围绕算法框架分别介绍相关滤波框架、深度学习框架、孪生网络框架、Transformer框架的判别式算法并分析不同算法的优缺点;最后分析目前动态目标跟踪存在的问题并展望。     

移动通信系统在多摄像机目标跟踪中的应用

多摄像机目标跟踪系统的无遮挡、大范围跟踪特点,使其逐渐成为广大学者和商家的研究重点,而目前大多数多摄像机系统都是基于固网的,具有先天性的不足,比如布局困难、成本高、后期维护困难等缺点。伴随着移动通信技术的不断进步,尤其是在传输速度的大幅度提高,使得基于移动通信系统的多摄像机人体跟踪成为可能,本文主要分析研究基于移动通信网络系统的多摄像机目标跟踪研究中的关键技术、研究现状以及未来发展方向。     

基于尺度自适应和跟踪框自转的视频目标跟踪

在高空运动变焦摄像机视频监控目标的自动识别跟踪中,跟踪目标背景、跟踪目标尺寸和跟踪目标相对背景运动的方位角都在实时变化,为解决常规Mean Shift目标跟踪算法在面临上述快速变化时容易出现的目标跟踪丢失问题,在Mean Shift目标跟踪算法的基础上,考虑跟踪目标的变尺度、长宽比和方位角等因素,提出了改进的基于尺度自适应和自转跟踪框策略的视频目标跟踪算法,实际场景下的实验结果表明:该算法具有较好的准确性和实时性,满足视频目标实时跟踪的应用需求。     

基于单目序列图像的运动目标跟踪

对于视频监控图像中运动目标位置的检测,现有的定位跟踪系统主要采用双目或结构光立体视觉技术,存在系统设计复杂、检测速度慢等缺点.有鉴于此,文中将地面约束引入到单目视觉监控中,提出了一种单目序列图像运动目标跟踪方法.该方法利用摄像机安装信息和几何成像原理,结合非线性补偿,推导出单目不对称非线性成像的地面运动目标实际位置计算公式.通过搭建室内监控测试平台,在序列图像中进行了寻找步行者足印位置的实验,结果验证了文中方法的有效性.     

深度视觉目标跟踪进展综述

视频目标跟踪是计算机视觉领域的一个重要研究课题.近年来,随着深度学习在视觉目标跟踪领域获得了巨大的成功,一系列优秀的深度跟踪算法涌现出来.本文回顾了近年来深度目标跟踪领域的进展.首先,我们详细讨论了近十年来跟踪领域数据集的发展趋势,这些数据集不仅全面地评估了算法性能同时为模型训练提供了极大的便利.其次,我们分类讨论了几大类经典的深度学习跟踪框架,包括深度相关滤波器跟踪、分类式网络跟踪、双路网络跟踪、基于梯度的深度跟踪算法以及基于Transformer的跟踪算法.最后,我们对全文内容进行总结,并指出未来的发展趋势.     

运动序列图像中目标点的自动定位与跟踪研究

目标跟踪是视频运动图像数据分析前期的一项关键技术,通过对目标点的定位跟踪,以便研究人员在跟踪过程中提取运动目标的相关参数,有助于对视频图像中目标的运动技术进行分析。结合模板匹配快速定位算法与Mean Shift算法,研究了运动图像序列中目标点的自动定位与跟踪问题。实验结果显示,算法具有良好跟踪效果。     

基于边缘增强模板匹配的PTZ主动目标跟踪系统

为实现对运动目标的动态跟踪,设计了基于PTZ摄像机的主动实时跟踪系统,实现对高关注度目标进行持续跟踪。该系统采用背景建模方法检测当前视野中的运动目标并进行跟踪,针对感兴趣目标采用基于边缘增强模板匹配(EETM)方法进行主动跟踪,并提出了一种简单有效的PTZ摄像机控制方法。采用海康威视球机进行测试,测试结果表明:该系统利用低成本PTZ摄像机可以实现对静态场景和动态场景中目标的检测和跟踪,对感兴趣目标进行主动跟踪,PTZ摄像机控制平稳,能够满足实时性的要求。     

基于多级信息融合的视频目标跟踪

在多摄像机视频监控的框架下,基于信息融合技术策略,提出了一种用于移动目标跟踪的多级信息融合方法.对于每个单一摄像机采用多特征融合粒子滤波跟踪算法,该算法将目标颜色和边缘方向特征同时作为测量特征,并通过随机融合机制融合特征权重,得出最佳目标位置估计.在此基础上,将多个摄像机的跟踪结果相融合,融合方法主要是通过位置、大小和颜色匹配概率的联合进行目标之间的匹配度测量,并基于信任度级别及权重融合目标跟踪特征.仿真实验证明本方法能够有效消除目标跟踪过程中的重叠区域遮挡问题,在提高目标跟踪精度的同时,充分发挥了多摄像机多信息融合的优势,较好地描述了跟踪目标的状态.     

融合高斯混合模型和深度学习的目标跟踪

目标跟踪是计算机视觉的关键技术,但快速运动所导致的目标运动模糊会影响跟踪的精度.提出融合高斯混合模型和深度学习的目标跟踪算法,利用高斯混合模型对目标视频进行建模,在卷积神经网络中提取浅层和深层的图像特征,将两个特征的响应值融合后实现跟踪目标的定位.首先,根据高斯混合模型建立样本数据集,利用概率密度函数筛选数据,依据正态分布获得对应的高斯分量;其次,在深度学习框架下对高斯混合后获得的样本数据提取浅层和深层特征;最后,将提取的浅层与深层特征响应值进行融合,并更新目标模型,实现目标跟踪定位.该算法在VOT-2016公开的数据集进行实验,与6个视频跟踪算法对比分析.实验表明,所提的算法表现出较好的性能,特别是在快速运动的评价指标中,该算法的抖动模糊精度比ECO算法提高6. 25%.     

利用Kalman滤波的视频运动目标跟踪

提出一种基于kalman滤波的视频运动目标跟踪算法,首先对视频运动目标进行分割,求出运动目标的形心,再利用视频运动目标的形心所在宏块的运动矢量信息,用kalman滤波对运动目标的形心在下一帧的位置进行预测,从而快速、有效地自动跟踪多个目标对象.实验结果表明,该算法对运动目标的出现和消失,以及非刚性物体的尺度变化和变形,具有较强的鲁棒性.     

一种时空特征融合的鲁棒视觉跟踪算法

针对视觉跟踪在复杂背景下因外观特征表征不足等原因造成的目标丢失问题,结合深度光流网络估计的运动特征,文中提出了一种基于时序信息和空间信息自适应融合的视觉跟踪算法。该算法在相关滤波跟踪框架基础上,引入递归全对场变换（RAFT）深度网络估计光流以获取目标的时序信息,提取目标的CN特征和HOG特征获取空间信息,然后融合目标时序信息和空间信息,以增强对目标时空特征的表征能力;其次,建立了一种跟踪结果质量判别机制,实时调整时序信息在融合过程中的权重, 有效提升了算法在复杂动态环境下的泛化能力。为评估算法的有效性,在OTB100和VOT2019两个数据集上进行了测试,实验结果表明,与主流视觉跟踪算法相比,所提算法的跟踪性能获得了显著提升,尤其在运动模糊、快速运动等属性的视频中,具有明显优势。     

一种MEAN SHIFT跟踪改进算法研究

Mean Shift算法在视频序列中的目标跟踪已经广泛被应用于计算机视觉研究以及应用中。该算法应用于跟踪中,具有计算量低,可实时跟踪等优点,但有时会出现漂移问题。本文针对传统Mean Shift算法的实现进行了研究和总结。并提出了基于分块的改进方法,在Mean Shift跟踪算法中加入了空间信息。实验证明改进算法与原始算法比较具有更好的跟踪精度。     

基于模型动态切换的运动目标实时跟踪

针对视频监控系统中运动目标的跟踪问题,提出了一种基于模型动态切换的实时跟踪方法.在运动目标分割之后,跟踪系统有效判定运动目标的遮挡状态,对未遮挡的运动对象采用基于区域的跟踪模型,对于相互重叠的运动对象采用基于SIFT特征的窄基线图像匹配模型.基于区域的跟踪模型采用简单的目标区域特征以及运动预测属性,实现快速地跟踪.基于SIFT特征的图像匹配模型利用被跟踪目标在相邻图像帧之间很小的尺度和外形变化以及基于目标区域位置预测出的有限运动范围,实现快速的窄基线小范围SIFT特征匹配和跟踪.实验结果表明,该方法具有较强的鲁棒性,能有效实现复杂遮挡场景下的多目标实时跟踪.     

不完全量测下基于机器视觉的被动跟踪算法

针对不完全量测下利用电视摄像机的单站水面目标被动跟踪问题,提出了一种基于机器视觉被动测距的联邦目标跟踪算法.首先,利用机器视觉技术设计了目标距离的被动测量方法;其次,依据测量机理将测量通道分解为机器视觉被动测距通道和传统测角通道,基于验后置信度残差检测的平方根容积卡尔曼滤波(SRCKF)设计了双通道子滤波器,并对子滤波器估计结果进行联邦结构融合得到最终估计结果.通过OpenGL仿真目标图像和真实水面目标视频的测量结果证明了机器视觉测距的有效性,且在不完全量测下,该跟踪算法比传统基于质点的被动跟踪算法具有更高的跟踪精度.     

基于DWT-DCT系数符号特征匹配的视频目标跟踪

视频运动目标跟踪,简单说就是在下一帧图像中锁定感兴趣目标的确切位置。复杂的背景以及目标本身的变化给运动目标跟踪技术带来了很大的困难。现有算法大都在分辨率较高的条件下针对特定场景取得较好的跟踪效果,但针对运动目标尺寸比较小且分辨率较低的目标跟踪算法的研究报道不多,这种情况下通常难以达到精确的跟踪,鲁棒性也比较差。针对这一问题,探讨了一种基于DWT-DCT系数符号特征的运动目标跟踪算法,该算法通过提取这一特征进行特征匹配来定位目标的位置。实验结果表明,该算法不仅具有较强的鲁棒性,而且在低分辨条件下仍能对尺度较小的目标进行精确的跟踪。     

视频中运动目标跟踪仿真研究

运动目标的检测与分割在计算机视觉系统中,是一个非常重要的问题。本文对视频中目标跟踪的不同方法进行了仿真研究。通过Matlab程序来获取视频,使用背景减差法来检测出运动目标,为了得到目标的主轴方向,提出了边缘梯度法。实验证明,该方法效果明显。使用EKF和UKF来对目标进行跟踪。将跟踪结果和目标检测结果进行了比较,说明了不同滤波跟踪方法的效用。同时,也展望了目标跟踪的未来发展方向。     

复杂环境下运动摄像机稳定跟踪运动目标算法

在复杂环境中,运动摄像机跟踪运动目标是一项相当困难的工作。在基于目标颜色特征的Mean Shift跟踪算法中,引入感兴趣区域（ROI,Region of Interest）,减少背景干扰及降低计算消耗。提出基于目标强度和目标面积的目标危机判别函数,对强干扰、遮挡情况进行识别;采用直方图维数和量化等级数自适应选取策略解决强干扰,采用子区域搜索选优策略解决目标遮挡和重新捕获的问题。为使被跟踪目标锁定在摄像机视野中央区域,采用基于速度调节的闭环控制模型,驱动PTZ摄像机,跟踪运动目标。实验结果表明,算法对背景干扰和遮挡具有较强的适应性,摄像机可以平滑稳健地跟踪快速运动目标,而且系统计算代价小,完全达到了实时的运行速度。     

基于视频图像的运动目标检测与跟踪研究

实际生活中,每时每刻都有千万种物体在进行运动,而这些不同的运动物体对不同的群体传达着不一样的视觉信息,对于群体来说,这些视觉信息给他们带来了重要的现实意义。然而在人们用视觉捕捉到的信息里,往往只对对自己有存在价值的运动目标或物体感兴趣,研究基于视频图像的运动目标的检测与跟踪,有很大的现实意义和实际价值。目前在实验室环境中已实现了对运动目标的检测和跟踪。在运动目标检测方面,参考理论,用帧间差分法得到基本完整可靠的运动目标;在运动目标跟踪方面,利用一种低复杂度的分块搜索算法,能对其进行仿真实验与编程实现。