复杂场景下基于特征点匹配的目标跟踪算法

提出一种在复杂场景及目标遮挡情况下,特别是目标外形、大小发生变化时的基于SURF的目标跟踪和在线目标模型更新算法。该算法利用SURF对尺度缩放、光照变化和旋转等具有较好鲁棒性的特点,首先提取跟踪目标的SURF特征点,以特征点及其邻域的R、G、B直方图表示目标;然后根据目标在连续的帧中相似性较大的特点,搜索当前帧中的目标最优匹配SURF特征点,由目标特征及目标模型计算其准确大小和位置,并根据变化了的目标状态更新目标模型。实验结果表明,该算法可准确地定位到目标。     

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。     

智能视频监控中多人目标鲁棒跟踪

本项目利用数字图像处理技术对视频信号进行处理、分析和理解,并对视频监控系统进行控制,并且通过对视频监控中多人目标鲁棒跟踪算法的研究,采用人体目标多种信息建立人体目标模型,达到实现多人目标的鲁棒跟踪的目的,从而进一步提高视频监控系统智能化水平。     

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．     

实时视频监控系统中运动目标检测和跟踪的一种实用方法

针对目前信息发展的要求,讨论了视频序列中运动目标检测和跟踪的一些方法,并在视频监控系统的具体应用环境中,提出了运动目标的适时检测和跟踪的一种适用方法,同时给出了相应的实验结果．结果表明,本文方法是比较实用的,能满足实时视频监控系统的要求．     

复杂道路监控场景下的车辆检测与跟踪数据集

针对现有大部分车辆检测与跟踪数据集通常存在的采集场景单一、数据集长尾分布以及图像采集环境简单等问题,本文构建一个车辆数据集VeDT-MSS,用于城市以及乡村监控场景下4种车辆类别（小汽车、卡车、公交车和摩托车）的检测以及跟踪研究。该数据集具有交通场景多样化、卡车的类内多样性大、摩托车标注实例占比高以及背景复杂程度高4个显著特性。为了验证该数据集的有效性,在目标检测以及多目标跟踪任务上进行了大量的基线实验。实验结果表明,VeDT-MSS数据集在评估现有算法的鲁棒性和泛化性方面具有实用性。该数据集的提出对促进车辆检测与跟踪研究具有相当的潜力,并为计算机视觉社区评估算法性能提供一个新的数据选择。     

体育场景中的视觉目标跟踪研究进展

目标跟踪是计算机视觉中构建复杂运动分析系统的关键任务之一。体育运动比赛因其趣味性深受广大观众喜爱,对体育视频中的运动目标进行跟踪在赛后复盘、技术提升、教育教学以及媒体传播上都有着广阔的应用前景。近年基于深度学习的体育视频跟踪技术取得了显著进展。本文首先介绍了体育视频中目标跟踪研究背景,给出了基于深度学习的体育目标跟踪的定义与分类。其次分别从球类目标跟踪、单摄像机运动员跟踪以及多摄像机多运动员跟踪三个方面总结了体育视频中目标跟踪的研究现状,提炼出统一的算法流程并对其进行技术分析和总结。最后讨论了体育视频中视觉目标跟踪存在的挑战和未来发展方向。     

约束条件下的优选进化目标跟踪算法分析

针对传统粒子滤波算法的退化和容易受到背景干扰等问题,结合遗传算法思想,提出一种约束条件下的优选进化粒子滤波的视频目标跟踪算法。首先采用约束条件检测目标,在参考帧生成初始父代粒子种群。利用遗传算法的特点,设置优选进化策略,选择优秀粒子遗传到子代。其次通过制定合适的交叉及变异规则,对未选中的粒子进行相应的运算直到迭代次数。最后通过每个粒子的权值计算其状态,获得运动目标轨迹。仿真实验结果表明,该方法不受背景变化等影响,不仅实现简单,而且有较稳定的跟踪效果。     

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。     

基于CAMSHIFT算法的视频监控目标跟踪

随着智能监控系统的普及,智能监控技术在银行、城市安防、交通等部门得到的了广泛的应用.CamShift算法是基于监控视频图像颜色特征的目标跟踪算法,这种算法能够快速、准确地实现目标跟踪,鲁棒性能较好.监控视频中所拍摄的视频内容较多且视频拍摄环境较为复杂,因此采用CamShift算法能够有效对视频监控目标建立颜色模型并对其进行准确高效的跟踪.     

基于图像重建的智能监控系统教学实验平台设计

针对当前高校计算机等相关学科教学手段多样化的特点,设计了基于超分辨重建技术的目标检测与跟踪教学平台.介绍了实验平台的硬件部分设计和构建,给出了基于视频序列超分辨率盲重建的图像预处理方法,提出了基于高斯混合模型的目标检测算法以及基于视觉显著性特性的目标跟踪算法.各个模块的实验结果表明该平台很好地满足计算机视觉相关课程的教学实践需要.     

Ostu算法的改进研究

智能视频监控系统已经逐步应用到医院、商场等公共场合,运动目标检测算法是该智能系统的关键技术之一。文章首先从比较现有的典型运动目标检测算法出发,然后引入Ostu算法用于目标检测的图像处理过程中选取最佳阈值,最后针对其实际存在的问题,给出了一种改进方法及测试结果。     

基于混合差分法的运动目标检测

为了提高背景重建速度和目标检测精度,提出了基于混合差分的运动目标检测方法.采用一种基于统计模型的区域像素级背景重建方法.结合帧差分法对于环境的适应性和背景差分法目标检测的准确性.首先用帧差分法得到目标最大的可能区域,在该区域进行像素级背景重建.然后用背景差分精确提取目标区域.既克服了单纯帧差分对于目标运动速度的限制,又缩小了背景差分的区域,使运动目标检测的时间复杂度迅速降低.通过实验,验证了该方法在检测精度和速度上的优势,可以应用于视频监控和目标跟踪领域.     

场景监视与理解研究新进展

介绍了智能场景监视与理解系统的研究现状和进展,主要讨论了单传感器场景监视和多传感器场景监视的处理方法,同时对这些方法的优缺点进行了评述,最后对该领域的研究难点作了较为详细的分析,给出了智能场景监视研究的发展方向。     

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：     

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．     

智能视频监控系统的设计研究

提出了一种由视频采集、传输网络、中心服务平台、客户端等4部分组成的智能视频监控系统模型,通过对模型组成及功能分析、关键技术的实现方法,说明了系统的设计方案,阐述了智能视频监控系统设计中应解决的问题。     

一种基于超像素的局部判别式跟踪算法

针对目标在复杂环境下容易受到外界干扰而发生漂移的问题,提出了一种基于超像素的局部判别式跟踪方法.首先,对视频序列前10帧的目标区域进行分割,得到超像素,并利用kmeans方法对其进行聚类以构造初始字典;其次,通过训练样本集来训练线性分类器;然后,为了减少目标发生漂移的可能性,将初始训练的分类器与更新后的分类器线性加权之和定义为似然函数;最后,在粒子滤波的框架下,将似然函数值最大的粒子作为跟踪的结果,每运行U帧更新一次字典和分类器参数,以捕获目标表观的变化.仿真结果表明,所提算法在目标发生遮挡、光照变化的复杂环境下仍然能够跟踪目标.