自适应Kalman滤波的运动物体跟踪算法研究

针对实时视频中的运动物体跟踪问题,提出了一种基于自适应Kalman滤波的运动物体跟踪新算法。首先利用基于∑-△背景估计算法检测运动物体,并提取主要颜色特征。然后构建物体运动模型,并生成自适应Kalman滤波的系统状态模型。最后利用主要颜色特征进行物体跟踪,其结果反馈给自适应Kalman滤波器,并通过遮挡率自动调整参数达到正确跟踪。实验结果表明,所提出的自适应Kalman滤波算法在运动物体被遮挡等复杂条件下的鲁棒性好,还具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪。     

基于关键点滤波的深度图提取

基于单帧视频2D/3D转换,深度估计是关键。提出一种在伴有相机移动情况下,基于运动的深度估计新方法,采用关键点滤波获取每帧视频像素级的运动矢量。由于相机的移动会引起伪运动矢量,从而导致深度信息模糊,为解决这一问题,采用鲁棒的RANSAC算法估计相机移动模型。首先,通过无相机移动的运动矢量来估计初始深度图。然后,利用基于同类点的后置滤波修正运动物体边缘像素的深度信息。实验结果表明,在有相机移动情况下,该方法对深度图的估计可以取得较好效果。     

一种基于互信息量的自适应快速视频编解码方案

为了对不同运动剧烈程度的视频序列提出一种重构质量高并且快速的自适应编码算法,引入视频序列的互信息量(mutual information,MI).利用视频序列帧间的互信息量自适应地调整运动向量估计和运动向量多重估计的门限值(absolute error,AE).通过大量的统计得出了互信息量与高通帧方差之间的关系,利用方差作为反馈进一步调整AE,从而实现了一种自适应快速算法.利用此算法同时达到了控制编码复杂度和重构视频质量的目的.实验数据表明,此种算法编码时间比传统运动补偿时域滤波(motion compensated temporal filtering,MCTF)结构缩短约15%,而重构视频的质量几乎没有下降.     

基于高斯混合模型的Kinect深度图像增强算法

深度图像获取是当前三维视频领域重要的研究课题.微软Kinect传感器可以获取到实时的稠密深度图,但往往在深度图中存在大量的空洞并且获取的深度图不稳定.针对这些问题,提出一种应用高斯混合模型实时修复的算法,首先要把彩色图像和深度图像对齐裁剪,然后通过高斯混合模型(GMM)把深度图像的前景和背景分离,针对不同的区域做不同的处理,对背景空洞做基于背景的填充,前景空洞采用颜色匹配算法进行处理,最后对处理后的深度图像做中值滤波处理去除噪声.实验证明,该算法在复杂前景物体和大面积深度缺失的情况下都可以有效填充深度图像中的大、小空洞,保留了物体边缘,尤其在遮挡物体的深度重建上,可以取得较好的重建效果.     

基于抖动帧检测和低通滤波的数字视频稳像算法

近年来,数字视频稳像方法是提高视频质量的重要研究内容之一.针对高斯滤波使用固定高斯核进行运动平滑,去除抖动能力有限的问题,提出根据视频帧抖动程度使用不同低通滤波进行运动平滑的方法.首先,计算当前帧与其前后固定半径范围内相邻帧之间的位移量,并计算其位移方差,该方差可以有效地描述视频帧的抖动程度;其次,根据抖动程度使用自适应滤波或均值滤波进行运动平滑.实验证明,该方法比现有的方法具有更好的稳像效果.     

一种基于互信息量的自适应快速视频编解码方案

为了对不同运动剧烈程度的视频序列提出一种重构质量高并且快速的自适应编码算法,引入视频序列的互信息量(mutual information,MI)。利用视频序列帧间的互信息量自适应地调整运动向量估计和运动向量多重估计的门限值(absolute error,AE)。通过大量的统计得出了互信息量与高通帧方差之间的关系,利用方差作为反馈进一步调整AE,从而实现了一种自适应快速算法。利用此算法同时达到了控制编码复杂度和重构视频质量的目的。实验数据表明,此种算法编码时间比传统运动补偿时域滤波(motion compensated temporal filtering,MCTF)结构缩短约15%,而重构视频的质量几乎没有下降。     

高斯衍生粒子滤波器

针对基于高斯滤波的重要性采样方法运算量的明显增加主要集中在使用高斯滤波生成更好的重要性密度函数的问题,提出了一种新的高斯衍生粒子滤波算法(GDPF).该算法将一种类似光子衍射的粒子衍生重要性采样方法与现有的高斯辅助粒子滤波算法(GAPF)相结合,通过粒子的扩张与收缩,在保证不减少参与状态估计的粒子数的条件下减少更新粒子数,根据粒子权值大小自适应地调整衍生粒子数,能很好地缓解精度与运算量之间的矛盾,抑制粒子退化等问题.对衍生粒子进行理论分析,证明了其与高斯采样粒子的等效性.仿真结果表明,当选取了相同的参与状态估计的粒子数时,所提算法保持了与原算法相当的估计精度,同时运算量大大降低.     

一种用于运动目标检测的多模态非参数背景模型

提出了一种基于多样性采样原理的高斯核密度估计模型用于多模态背景描述.从包含运动物体的训练序列中,提取具有较高频度以及最大多样性的样本集用于背景建模.并根据新样本及邻域点在总样本集中取值的相关频度计算权值,避免了采用全部训练点产生的信息冗余和重复计算等缺点,使背景核估计的计算简单有效.对复杂场景下车辆监控系统进行实验,结果表明,该算法在提取运动物体中是有效的.     

2D视频转3D视频中快速块匹配运动估计算法

根据视频序列相邻帧之间运动矢量的时空相关性和概率分布特性,提出了一种快速块匹配运动估计算法。该算法使用了搜索起点预测准则、中止阈值准则和自适应搜索策略等。实验结果表明,该算法与三步法、菱形法等相比,减少了对静止块的搜索,在保证图像质量的同时,减少了搜索的点数,提高了运动估计的速度。     

基于高斯金字塔与双边滤波的隐藏目标检测

隐藏目标通常处于视觉静止状态,其存在的微小运动不易被发现.当视频中存在隐藏目标时,其微小运动很难被检测到.针对该问题,提出一种将高斯金字塔算法和快速双边滤波相结合的隐藏目标微小运动检测方法,首先对视频图像的序列做多尺度的空间分解,然后对采样数据图进行滤波去噪,再经过视频重建后利用帧差法获取差分图像.实验结果表明,该方法与帧差法等相比,检测速度达到56.76帧/s,检测速度平均提高了4.14倍.帧差结果图的相似度最低,对隐藏目标的检测效果最显著,能在保证检测性能的同时提高检测速度.     

视频序列中动目标快速跟踪新算法的研究

准确性和实时性是视频序列图像中运动目标跟踪算法研究的重要内容。为了克服传统的模板匹配跟踪算法运算量大、跟踪速度慢的缺点,提出了一种基于多分辨率的Kalman滤波快速跟踪算法。首先利用Kalman滤波的预测功能,预先估计出目标中心点坐标,然后在该坐标为中心的区域内进行多分辨率相关匹配,最终找到最佳匹配位置。该算法具有运算量小、跟踪速度快的优点。同时还采用了自适应更新记忆滤波算法解决发散问题,提高了跟踪精度。     

运动物体变化检测算法研究

运动物体的变化检测,恢复和提取是运动检测中的三个重要环节,本文根据视频监控设备CCD器件成像特征以及帧间差运动变化检测方案,建立了一种利用灰度均值和方差作为判决门限的高斯运动变化检测模型,运动检测实验证明,利用该模型可以相对准确的检测出视频序列图像中的运动变化区域.     

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.     

折反射全景侦察系统电子稳像技术研究

提出一种有效的车载折反射全景侦察系统电子稳像算法,通过分析系统成像原理和应用环境以及现有电子稳像算法的一般流程,提出稳像方案,并建立了稳像模型;根据稳像模型估计运动参数时,针对图像中包含运动物体的情况提出了相似度阈值法;为了防止过稳现象提出了过稳阈值法,为了平滑图像序列采用了Kalman滤波.数值实验结果表明,该算法能明显减轻序列抖动显现,在一定分辨率下能实时扫描真实场景.     

改进的混合高斯模型的运动对象分割算法

针对视频序列中运动对象分割问题,提出一种改进的混合高斯模型分割算法.该算法首先由混合高斯模型得到前景,之后用当前帧的前景区域与上一帧对应位置做差,区分出实际变化区域及误检区域并为误检区域赋予较大的更新速率,从而有效地改善了长时间静止物体转为运动后留下的"鬼影"及光线突变导致的大面积误检情况.采用阴影抑制和形态学滤波使得前景目标分割的性能得到有效的提高.实验表明,本算法能够迅速响应实际场景的变化,准确分割出运动对象.     

一种适用于多种场景的深度图提取算法

文章提出了一种自动的深度图提取算法。将图片分为消失线型、上下结构型和左右结构型3类,采取不同的算法分别进行深度估计,为了使得图像中同一物体的深度信息保持一致,运用K-means进行图像分割,提出了一种新颖的估算每个像素点深度值的算法,使得深度信息的层次不再局限于K-means中K的取值;采用了双边滤波的方法对得到的深度图进行去噪,在去噪的同时保证了图像的边缘轮廓。实验结果表明,该算法适用性广泛,在3D效果和耗时方面也表现出优良的性能,适合于实时的2D视频转3D视频。     

一种用于运动跟踪的加窗粒子滤波新算法研究

为了提高粒子滤波算法在视频跟踪中的性能,在基本粒子滤波算法的基础上,采用窗口滤波更新粒子集合,根据对目标位置估计的情况动态更新粒子集合大小,得到一种改进的粒子滤波算法--加窗粒子滤波算法.该算法利用估计窗内的混合抽样粒子集描述后验分布,通过对估计窗内具有不同权值的粒子集依据其权值大小进行抽样,并根据当前观测值对抽取的粒子状态进行更新,实现对目标的跟踪.仿真实验结果表明:这种跟踪算法在不影响跟踪精度的情况下,大大减少了计算量,较好地解决了视频目标跟踪这一非线性非高斯状态在线估计问题.     

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%.     

一种时间序列优化的粒子滤波算法

针对预测对象在动态过程中发生结构性变化的时间序列,难以建立一个实时解析变化趋势的模型.本文提出基于时间序列自适应建模的粒子滤波算法(TS-PF).采用时间序列方法动态构建预测模型,并将粒子滤波算法中一系列加权粒子以该模型进行状态转移,运用粒子滤波重采样技术,使预测误差进一步减小,预测精度逼近最优估计.非线性预测系统仿真实验表明基于时间序列自适应建模的粒子滤波算法(TS-PF)比单纯采用时间序列动态建模算法(TS)精度更高,提高了动态目标跟踪的准确性.     

一种低码率下基于运动补偿的时域滤波预处理算法

在低码率视频压缩系统中,图像预处理的方法可以用来降低视频序列的复杂度,从而达到降低编码器输出码率,提高编码器效率的目的.该文提出了一种在运动补偿条件下而进行的高效的时域滤波预处理算法.该方法采用运动补偿的相关技术,将时域预处理滤波映射到空域进行处理,有效地去除了视频序列中时域上不相关的细节信息.实验结果表明,该文的方法实现了编码器10％～30％的码卒下降水平.在相同的码率下降水平下,用该文方法处理后视频序列的平均PSNR值比使用空战预处理方法的结果高出3～4.4dB.