移动目标跟踪:一个基于多背景模型的技术

本文中,我们首先比较了视频序列中移动目标跟踪的各种背景压缩技术和基于平均滤子的改进方法。然后,提出了移动目标跟踪的多背景模型。实验证明,我们的方法可以得到更好的效果。     

静态背景中运动目标的检测与跟踪系统

给出了系统的整体设计流程,采用背景减法完成目标检测与跟踪;针对不同应用领域,提出了基于时间的背景模型建立法和改进的累加平均背景模型建立法,对背景更新采用了手动更新与自动更新相结合的方法;利用全局阈值与分割因子的乘积作为阈值对减法结果进行二值化,实现图像分割;在目标检测时提出了检测区域的概念,针对不同应用领域,预设了运动目标模型;采用相邻两帧同一运动目标的距离差和面积差相结合的方法实现目标跟踪。     

基于卡尔曼滤波器的运动目标检测与跟踪

针对摄像机静止的情况,提出了一种可运用于实时监控中的运动目标检测与跟踪的方法．采用更新函数实现背景实时更新,通过差分算法检测运动目标．在跟踪模块中,提出建立帧间目标“关系矩阵”实现多个运动目标匹配,并采用卡尔曼滤波器预测目标参数,在运动目标相互遮挡的情况下,根据预测参数跟踪目标,获得目标轨迹．通过多个图像序列测试,算法具有良好的实时性和适应环境变化的能力．     

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.     

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．     

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。     

基于背景差分和粒子滤波的运动目标跟踪算法

针对粒子滤波算法在复杂环境下粒子数量显著增加导致跟踪实时性下降的问题,提出一种将背景差分引入到粒子滤波算法中的新算法.利用背景差分对图像处理后得到检测结果,将分布在已被检测为前景像素点上的粒子定义为重要性粒子,增大了其权值.实验结果表明,该算法能使用较少的粒子实现较好的跟踪,提高了跟踪的实时性.     

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。     

背景加权的多特征融合目标跟踪算法

针对单一特征目标跟踪导致多数跟踪算法鲁棒性差的原因,提出一种背景加权的多特征融合目标跟踪算法。在跟踪过程中对目标模型进行背景加权,同时利用空间直方图提取目标颜色的空间分布信息。在粒子滤波框架下将背景加权直方图和空间直方图相结合,并且引入特征不确定性度量,自适应调整不同特征对跟踪结果的贡献,有效地提高了算法的鲁棒性。实验结果表明:与传统融合算法相比,提出的算法具有更强的鲁棒性,同时提高了跟踪精度。该算法在目标表示和跟踪性能上都有很大的提高。     

一种视频序列中运动目标的检测与跟踪方法

运动目标的监控与测量在汽车导航和智能监控行业中得到大量应用。本文提出了基于统计背景模型和灰度质心模型的运动目标检测和跟踪算法。在此方法中先建立背景的高斯模型,然后检测出场景中的运动目标,最后根据目标检测的结论,得到运动目标灰度质心的计算结果,并在坐标系中记录位置,采用最小二乘法拟合实现了对运动目标的跟踪。相应的实验结果表明这种方法能有效检测和跟踪运动目标。     

一种基于背景重建和视差图的立体视频对象分割算法

提出了一种基于背景重建和视差图的立体视频分割算法,利用背景、视差和边缘等信息进行运动对象分割。该算法首先采用基于块的背景重建方法获取视频序列的背景信息,再利用背景相减法获得运动对象的初步分割结果,然后利用立体匹配获得的视差图对初步分割结果进行修正,最后利用边缘信息和后处理操作获得最终的立体视频运动对象。实验表明,该算法能够有效地从运动背景中将视频运动对象完整地提取出来。     

基于视频的车辆检测与跟踪

提出了在静止摄像机下对交通序列图像进行检测和跟踪的算法,分析了运动车辆的检测过程,探讨了运动物体的跟踪。     

基于SIFT特征点的目标跟踪算法

提出一种结合背景建模方法和基于SIFT特征点匹配方法的目标跟踪算法,该算法首先使用背景建模方法获得目标区域,然后对目标区域进行SIFT特征点提取,再利用特征点匹配方法实现视频目标跟踪,为了减小误配点,采用RANSAC方法来消除误配点。最后对算法进行了实验,实验结果表明,该算法可有效跟踪运动目标。     

基于自适应背景模型的实时人体检测

提出了基于动态信息窗口的自适应背景模型，在此基础上建立人体检测的有效算法。通过实验表明，该方法能够适应变化的背景，具有较强的鲁棒性和较好的实时性。     

基于图像块归类的背景重构算法

为了降低图像序列运动目标检测中背景重构的时间复杂度和空间复杂度,提出一种基于子图像块归类的背景重构算法.在假设背景图像块以最大概率出现在图像序列中的前提下,选择编号频率最高的图像块作为背景图像块进行背景重构.在运动目标有较长的暂时停顿情况下,即观测长度较长时利用该算法进行实时背景重构具有明显的优点.仿真结果表明,该算法能够准确地重构背景,并有效地避免混合现象,从而实现对运动目标的完整提取,以便进一步识别或跟踪.     

一种有效的车辆跟踪算法与异常车辆检测

交通监控视频中车辆检测、跟踪与车型判别是智能交通监控系统的重要组成部分。本文运用W4背景减除法和光流法相结合的技术进行车辆检测。利用区域滤波和空洞填充方法提高目标检测精度。采用质心距离约束和目标大小约束条件实现目标区域之间的匹配和车辆跟踪。最后,根据车辆的几何形状特征对助动车等异常车辆进行检测和标记。通过对高速公路实际视频的测试表明,本算法对机动车进行了有效的跟踪与标记,并对道路上助动车等异常车辆进行了有效的检测。     

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.     

一种基于Surendra背景更新的背景减除运动目标检测方法

针对监控环境下运动物体的检测,提出了基于Surendra背景更新的背景减除的运动目标检测方法.首先对视频图像进行灰度化并去噪,再建立一个可靠的Surendra背景更新模型,由背景消减法得到运动目标图像,最后图像进行二值化并采用形态学滤波和连通区域面积检测进行后处理,以消除噪声和背景扰动带来的影响.试验结果表明本文采用的基于Surendra背景更新算法的背景减除的方法,具有较好的实用性.     

基于背景差值法的运动物体检测

从图像预处理、背景差值和区域生长3个方面阐述了基于背景差值法的运动物体检测方法。