视频图像的运动分析

视频图像运动分析将处理目标由静态图像扩展为动态图像,希望从视频图像中获得运动本身及运动物体的相关信息,包括是否存在运动、运动物体识别以及运动方式等,已经广泛应用于计算机视觉、军事以及安保等领域。本文重点对运动分析中的运动提取和运动跟踪两个步骤进行研究,使用背景差分法检测并提取运动目标,并引入一种非参数跟踪算法进行运动跟踪。实验表明,本文的方法可以正确地进行运动检测和跟踪,而且有较高的实时性和稳健性。     

基于多核DSP和FPGA的车载全景拼接系统的硬件设计与实现

<正>本系统针对大型车辆视觉盲区为了保障车辆行驶的安全性设计出一种基于多核DSP和FPGA的车载全景拼接系统。利用FPGA的并行处理和多核DSP的并行高速浮点运算能力，实现多通道图像数据并行算法处理^[1]，确保了系统实时性要求。实验结果表明该系统解决了多路(4/6/8/10/12)高清HD-SDI视频数据流^[2]的360°全景视频图像拼接^[3]质量以及实时性要求，可以满足实际工程应用的需求^[4]。本系统通过多路(4/6/8/10/12) 150°广角鱼眼镜头摄像机输入车辆不同方位的实时高清彩色视频图像，各通道原始高清彩色视频图像数据分别经过鱼眼矫正、鸟瞰变换、去模糊处理、图像配准、图像拼接融合、图像剪切与合成等一系列复杂算法处理，     

基于机器视觉的洗衣瓶标签位置合格性检测方法

<正>随着机器视觉领域的飞速发展，基于机器视觉系统的标签检测已经有了很多研究成果。吴鹏飞等人在2018年采用ROI技术快速选定标签区域，通过计算最大轮廓的质心与方向特征实现了对标签的快速、精确定位检测^[1]。刘鹏在2019年提出一种改进的均值滤波与冲击滤波相结合的滤波增强方法，使用OTSU阈值分割法结合区域生长法，确定标签位置^[2]。王家寿在2021年提出一种基于关键点匹配的烟包标签错误检测算法，运用扩展特征、相似点簇聚类与对应关系评估等提高了标签关键点的配准率，判断标签是否偏移^[3]。     

基于Opencv的运动目标的检测和跟踪

检测运动物体需要无运动物体的背景图像,所以,首先应用多帧像素平均值法提取了运动视频序列的背景图,从背景图像中分离目标像素,获取目标的质心坐标,并应用质心跟踪法以灰色图像序列为基础,对运动的目标进行实时检测和跟踪。质心跟踪法的目标位置通过质点的中心来确定,该算法计算简单,计算量小,其稳定性与精度主要取决于序列图像的分割及其阀值的确定情况。文中给出了用Opencv实现算法的具体过程和关键代码,并且设计了跟踪运动车辆的控制界面,方便了实时监控。实验结果表明,该方法可以实现视频序列中运动目标的识别,具有实时性、并能给出较好的识别效果。     

基于ARM11的视频图像中运动物体检测跟踪系统

通过深入研究国内外视频图像运动目标的跟踪技术现状,基于目前对视频图像中运动物体进行检测与跟踪设备的便携性差、耗电量高等缺点,本系统利用ARM11平台搭载Linux系统实现相关应用的方法 ,完成了一套较完整的小型化检测系统的设计。本系统通过对实验室中走动的人进行视频检测跟踪试验,最终得出本系统可以对通过USBCAM采集的视频信号进行实时的数据处理,视频分辨率为240×320。包括检测出运动物体,标记出运动物体的图形中点,并对其进行轨迹的标注等。     

基于红外热成像与YOLOv3的夜间目标识别方法

红外热成像图像反应物体温度信息,受环境条件影响较少,对于特定条件下的夜间安防监控、行车辅助、航运、军事侦查等方面具有很强应用价值。近年来使用人工智能对图像中目标检测与识别技术发展突飞猛进,广泛应用于各个领域。本文提出了一种结合红外热成像图像处理技术与人工智能目标识别技术的夜间目标识别方法。实时采集热成像视频进行预处理,增强其对比度与细节,使用基于深度学习技术的最新目标检测框架YOLOv3对采集处理后的热成像图像中特定目标进行检测,输出检测结果。测试结果表明,该方法对于夜间目标识别率高、实时性强,结合了红外热成像夜间监测和人工智能目标检测的优势,对于夜间的目标识别、跟踪技术具有重大应用价值。     

深度学习技术在环保督查工作中的应用研究

人类所接触的外界信息大约有80%属于视觉信息,是其最主要的信息来源。目标检测与跟踪是计算机视觉研究领域的热门课题,它融合了图像处理、模式识别、人工智能、自动控制等许多领域的前沿技术,在智能交通系统、环保监测、危险源识别等诸多领域得到了广泛的应用[1]。而近些年兴起的深度学习在特征提取与模型拟合方面显示了其独特的潜力和优势,因此,基于深度学习的目标检测也就成为了近年来理论和应用的研究热点,并且已有一些研究关注深度学习在图像识别方面的应用。文章重点介绍了深度学习在环保督察领域的研究方向和应用场景,包括图像目标识别、状态特征提取、目标判定和智能分析,并对相关识别方法和状态特征提取进行了描述,分析了传统方式下环保督察中存在的问题,指出了深度学习在环保督察领域中的作用,提出对应的技术解决方案,并指出了改进的方向。     

基于FPGA的高速图像跟踪系统设计与实现

常规视觉跟踪系统用于导弹末制导等高速运动中时,图像目标会因出现变形、模糊等现象而影响跟踪精度。针对以上问题,设计实现了基于FPGA的高速图像跟踪系统。该系统通过125fps（frames per second）的高速图像采集目标信息,利用FPGA的并行运算特点,将形心计算嵌入到动态阈值法中来实现高速图像的实时目标检测,并根据形心相对于视场中央的偏移量控制云台跟踪高速运动目标,最后对投影上的目标进行了跟踪仿真实验。结果表明,系统可以实时跟踪高速运动目标,云台的跟踪速度约可达到50．7度/秒,改善了低速图像跟踪系统对高速运动目标跟踪误差大、精度低等问题。     

基于LabVIEW的运动目标跟踪系统的研究

主要对创新实验室二维视觉跟踪转台的算法进行改进。传统的算法只能实现在白色背景下对黑色目标的识别与跟踪,为实现对不同目标复杂背景的跟踪,针对跟踪系统设备和系统指标要求,确定了图像预处理、图像分割、形心跟踪等算法。针对目标的特点,根据识别的目标用形心跟踪算法进行跟踪。文中所有控制程序都基于LabVIEW,在MFC框架下用C++编写图像处理程序。结果表明,在LabVIEW平台下的识别跟踪过程中,二维转台最终实现良好的控制,使整个系统快速、准确的跟踪运动的特征物体,完成了二维目标视觉检测与跟踪的目的。     

基于视觉运动目标跟踪技术分析

计算机视觉研究的主要问题之一是运动物体的检测与跟踪,它将图像处理、模式识别、自动控制、人工智能和计算机等很多领域的先进技术结合在了一起,主要应用在军事视觉制导、视频监控、医疗诊断和智能交通等各个方面,因此该技术已经成为一个重要的研究方向。阐述了视觉跟踪算法的研究现状和视觉跟踪算法的种类,研究了基于区域的跟踪算法、基于模型的跟踪算法、基于特征的跟踪算法和基于主动轮廓的跟踪算法,探讨了视觉跟踪算法的未来研究方向。     

基于视觉传感网络的目标跟踪系统设计

为了减小当前智能视觉跟踪系统对于背景模型的依赖,增强系统的抗干扰性,设计一种新型的基于视觉传感器网络的物体检测与跟踪系统。系统采用MeteorⅡ-Standard图像采集卡采集监控区域中的目标物体图像,通过无线传感网络对监测范围中的目标图像信息进行变换、传输、存储和处理,使用CP-132IS串口卡将图像处理数据传输给控制器,控制器基于传感网络节点反馈的目标坐标信息,对目标位置进行标定,软件设计过程中,详细分析系统实现目标跟踪的流程,主要包括目标物体检测、节点数据处理、节点间的数据通信以及控制器存储并标定目标位置四个部分,并给出系统视觉库和摄像头模块的关键程序代码。实验结果表明,所提系统具有较高的目标跟踪精度,应用价值高。     

基于粒子滤波图像帧的视觉跟踪算法研究

研究目标物体的图像准确跟踪定位问题.本文主要针对传统的目标跟踪算法中由于视频图像的复杂性,同时运动突变性的存在,使得运动间的关联性被大幅降低,跟踪结果出现较大偏差,难以准确跟踪视频图像,提出了一种粒子滤波优化图像帧视觉跟踪新技术.算法引入了随机分布的运动突变影响算子,在运动估计过程中作为惩罚因子出现,同时采用粒子滤波视觉目标采样视频图像,从而得到实时的跟踪.实验结果表明,提出的方法避免了传统跟踪算法的延时,能够精确实时定位目标物体.     

基于位置敏感模型的深度跟踪算法研究

视觉目标跟踪旨在寻找与跟踪目标具有相同语义信息的样本,并在视频中精确定位样本的位置.最近,深度分类模型被用来提取跟踪目标的深度嵌入式特征,然而,由于深度分类模型给予相同类别的样本一样的标签,这样容易导致跟踪模糊,甚至失败.为了解决这个问题,本文将样本的空间位置信息加入深度分类模型中,提出位置敏感损失函数.本文所提出的损失函数不仅继承了分类损失函数的特性,并根据样本的空间位置信息对相同标签的样本进行了排序.也就是说,本文的损失函数可以同时实现类间可分和类内排序.相比于分类损失函数,本文的损失函数更适合目标跟踪任务.本文在OTB100^[1]和VOT2016^[2]上进行了测试,结果表明本文算法可以实现较好的跟踪性能.     

面向鲁棒视觉监控的热红外与可见光视频融合运动目标检测

在非受控环境中,由于背景的动态变化或光照、阴影的影响,执行高效、实时的运动目标检测具有很大的挑战性,联合长波红外(LWIR 8¹4?m)和可见光相机构成一个多模视觉系统可以显著提高运动目标检测的鲁棒性和完整性。提出了一种先检测后融合的运动目标检测算法,首先对可见光视频采用混合高斯建模方法检测运动目标,对热红外视频设计了基于背景差分和时间差分相结合的加权算法提取运动区域,然后对可见光与热红外视频中运动目标进行特征级融合。实验结果表明:该方法利用热红外与可见光图像的直观互补特征,在满足实时性要求的同时,可实现运动目标的精确、完整、鲁棒性检测。     

基于特征融合的PCB焊点图像增强

<正>在使用AOI(Automated Optical Inspection)进行PCB焊点检测时，常使用图像特征进行焊点分类。针对焊点区域暗、特征细节不明显问题，本文提出了一种基于邻域颜色变化矩阵的图像融合增强算法，提取图像的暗部，利用多尺度金字塔融合，对高对比度、高曝光和颜色增强的图像进行融合，实现焊点图像增强。实验结果表明，本文方法与其他几种主流的算法相比较，在评估指标和图像质量方面都取得了良好效果，为后续的焊点质量检测奠定了基础^[1-3]。随着现代微电子技术的不断发展，PCB电路板逐渐从传统的分立插件器件向小封装和高密度的表贴器件发展，元件尺寸和芯片管脚间距越来越小^[4]。     

红外图像的光流计算

图像光流的计算不需要在图像序列中建立特征之间的对应关系，因此光流法在计算机视觉的众多领域，包括运动物体的参数估计和目标跟踪方面都有广泛的应用，由于红外图像的噪声相对较大，光流法很少用于红外图像中目标的运动参数估计和跟踪，这里，使用几种常用的光流计算方法对部分实际红外图像进行了光流场计算。结果表明，当选择合适的方法或计算方法进行一定的改进时，这些红外图像可以得到比较接近实际情况的目标光流场，进而应用于红外图像中的目标分割，运动状态分析与目标跟踪等领域。     

基于模糊神经网络的图像目标检测技术分析

图像中目标检测与视觉目标跟踪是计算机视觉和数字图像处理领域中的热点研究项目。由于目标跟踪的过程中常出现目标背景干扰、遮挡以及低帧率、目标模糊等问题,使得在对目标的表现以及更新时容易发生错误或者不完整特征信息,在长期累积情况下出现目标检测、跟踪失败的情况,为解决该些问题,文章基于模糊神经网络提出了一种新的图像目标检测技术。首先结合给定的目标初始状况实现对目标表观建模,接着对目标系列进行状态评估,从而获取该目标的位置信息以及尺度;然后利用阈值门限分割法实现对图像目标检测;最后经试验证明了图像目标检测技术的可行性。这对促进图像目标检测领域的发展具有十分重要的意义。     

基于云平台的泥石流监测预警系统设计

<正>泥石流通常发生于山地区域的山体洪水流^[1]，我国幅员辽阔，地形复杂，山区约占全国总面积的2/3，广大山区几乎都具备泥石流形成的基本条件，从而造成山体滑坡等自然灾害，这不仅严重侵害国家财产安全，还直接威胁人民的生命安全^[2,3]。泥石流的发生受自然环境影响较大，其形成影响因子为多方面^[4-6]，但大多数原因均为持续性强降水。对于泥石流的治理应以预防为主，积极主动地做好泥石流灾害监测预警，是防灾减灾的重要手段^[7]。国内不少学者对泥石流监测预警系统进行了研究，刘书伦、吴德辉等人分别通过LoRa物联网、ZigBee技术、WSN技术实现了对滑坡山洪泥石流的数据采集和远程监测预警^[8-10]。     

脑机接口技术的专利分析

<正>脑机接口是一种涉及多学科多领域的新颖人机交互技术，本文基于Incopat专利库，对脑机接口技术的专利进行申请趋势、技术生命周期、申请人排名、IPC申请趋势、申请人国别等进行分析及总结，可以为脑机接口领域的技术发展动态提供一定的情报参考。脑机接口(BCI)技术是一种全新颠覆性的人机交互技术^[1-3]。BCI由美国加州大学Jacques Vidal教授于1973年提出。1999年，第1届国际BCI大会正式给出BCI定义:通过分析人或动物的脑电信号而建立起来的交互系统^[4,6]。     

基于混合高斯背景模型的运动目标检测

运动目标检测是计算机视觉、图像理解、目标跟踪等领域非常重要的研究内容。为了能够及时检测到图像场景中的运动目标,本文选择建立混合高斯背景模型作为检测运动目标的方法,该方法能有效的提取出运动的目标及其携带的运动信息,取得比较好的效果。