人体运动目标检测与跟踪方法的研究与实现

通过摄像机拍摄到的一段视频,对其中运动的人进行检测与跟踪。在目标检测方面,获取运动行人图像序列,利用自适应背景提取方法得到背景,根据将目标与背景进行分离的分割阈值,对差分图像进行分割,提取运动区域,检测出人体运动目标;在目标跟踪方面,选用基于Kalman滤波的运动跟踪系统,通过估计出运动目标的下一位置,对运动目标进行实时跟踪。这里的实验是在Linux平台上利用Intel的开源OpenCV函数库建立起模型并实现算法。经过多次仿真测试表明,使用Kalman滤波可以很好地解决实验中两个人握手时运动目标间遮挡的问题,并跟踪运动目标,而且处理速度比较快,能够满足一般情况下的实时性要求。     

基于OpenCV的红外运动目标检测方法及实现

针对红外视频图像中运动目标的检测问题,提出了一种以OpenCV为平台,以背景差分法为基础的运动目标检测算法,在传统检测方法基础上进行了改进,使用该算法不需要进行背景初始化,能直接检测运动目标,并有效抑制了虚警。利用OpenCV提供的函数库在Visual Studio 2008平台上编程实现。实验结果表明,该方法具有目标跟踪快、检测概率高、实时性好等特点。     

基于OpenCV的运动目标跟踪系统研究

本文分析比较了传统运动目标检测的3种主要方法：背景图像差分法、时态差分法和光流法,在此基础上给出了一种背景图像预测算法,大大减少了因为背景变化而产生的目标检测误差。本文基于OpenCV设计出改进的运动目标检测与跟踪算法,实现了运动目标的跟踪,并在VC＋＋编译环境下,利用USB摄像头作为视频采集器,通过观察实验结果可以看出,本文的运动目标检测算法能够正确地检测出视频图像中的运动目标,而且在检测性能上优于普通的自适应背景差分法。     

基于OpenCV的绊线检测实现

基于OpenCV视觉库针对绊线检测进行实现。从监控防区内运动目标检测与跟踪入手,调用OpenCV自带的运动目标跟踪框架,自定义其中的前景检测模块,完善运动检测。根据既定的绊线检测规则进行异常入侵行为分析、监测,并实时报警。该技术可应用到智能视频监控系统中,从而完成对监控防区的智能管理。     

基于OpenCV的校园智能视频监控设计与实现

在校园中,采用智能视频监控系统能够有效的减少人为干预,提高监控效率,并可对固定场景视频中的动态目标进行检测、分离、跟踪与有效识别。使用OpenCV和VC++2010构建了智能视频监控系统,采用了背景差分法对监控区域内的动态目标进行快速实时检测。在目标跟踪方面,提出了CamShift算法,实现动态目标的精确跟踪。     

基于OpenCV的运动目标检测方法研究与应用

针对视频监控系统的运动目标检测部分,介绍了以OpenCV为平台,以背景减法与帧差法为基础的检测方法。它以背景减法建立和更新背景模型,利用感兴趣区域的设置提高实时性,引入修正的大津法自适应阈值改善二值化效果,并以帧差法为补充降低虚报率及光照变化的影响。实验表明,该方法可以快速有效地对运动目标实施报警。     

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OpenCV的智能视频监控系统设计与实现

智能视频监控在安全监控、智能交通、军事导航等领域有着广泛的应用前景,运动目标检测与跟踪是实现视频智能分析的关键技术。本文在分析运动检测与跟踪技术的基础上,设计了一个智能视频监控系统,并利用开源计算机视觉库OpenCV实现了该系统智能分析的各个功能模块。运行结果表明,该系统具有较好的稳定性、准确性,基本满足了智能视频监控系统实时性、鲁棒性的要求。     

基于GMM与KLT算法的运动目标检测与跟踪方法

在视频监控方面,存在着运动目标的各种行为,针对这种情况,提出一种基于GMM与KLT算法的运动目标检测与跟踪方法.首先用基于GMM的背景减除法对运动目标进行检测,再通过形态学处理得到目标区域,然后对运动目标进行KLT特征点跟踪,最后根据特征点画出运动目标的运动轨迹.实验证明该算法有良好的检测结果与跟踪效果.     

基于改进高斯混合模型的体育视频运动目标检测与跟踪

针对当前体育视频运动目标检测存在的弊端,提出改进高斯混合模型的体育视频运动目标检测与跟踪方法。通过分析高斯混合模型的弊端,保留原有的"背景重建-模型更新-背景更新-目标检测"处理进程,将彩色图像转换为灰度图像,在像素相似度差别小的背景区域进行动态扩张,加入基于灰度直方图的目标跟踪进程,提高高斯混合模型对体育视频运动目标的处理效率与精度。实验结果表明,所提方法对体育视频的干扰处理能力强,检测范围大,检测与跟踪效果好。     

基于改进单模高斯模型的运动目标检测算法

在视频交通车辆目标检测中,阴影问题是影响其检测准确性的关键问题之一.为了解决这个问题,提出了一种结合单模高斯模型和背景差法的运动目标阴影检测方法.首先针对传统单模高斯模型提出了一种自适应学习率和选择性差值更新背景相结合的方法,加快了背景模型的初始化速度,同时结合背景差法对阴影部分进行检测与去除.实验结果表明,该方法能够较好地去除车辆的阴影,提高了检测的准确性.     

Time efficient ghost removal for motion detection in visual surveillance systems

Segmentation of foreground objects is an important and essential task for many systems that aim to carry out motion tracking, object classification, event detection and is used in applications such as traffic monitoring and analysis, access control to special areas, human and vehicle identification and the detection of anomalous behaviour. The most common approach for detecting moving objects is background subtraction, in which each frame of a video sequence is compared against a background model. A large number of background subtraction algorithms have been proposed [1], but problems remain for moving object identification under certain conditions. One of the toughest problems in background subtraction is caused by the detection of false objects when an object that belongs to the background (e.g. after staying stationary for some time) starts to move away. This generates what are called `ghosts?. It is important to address the problem because ghost objects will adversely affect many tasks such as object classification, tracking and event analysis (e.g. abandoned item detection). This Letter focuses on the problem of ghost identification and elimination. We used a state-of-the-art industrial tracker which includes basic background subtraction and object tracking. Then we included our ghost detection algorithm into the basic tracker to identify and eliminate ghosts. Finally, we systematically evaluated and compared performance on urban traffic video sequences.     

视频图像中的运动目标检测

运动目标检测,是指从视频图像中将运动变化区域提取出来的检测技术,是图像处理技术的基础。在军事公安、交通管理、视频监控、医学检查等领域应用广泛。为了改进单独采用帧差法或背景减法进行运动目标检测时存在的不足,本文提出一种利用边缘信息的三帧差法与基于混合高斯模型的背景减法相结合的运动目标检测算法。该方法对视频图像中连续的三帧图像两两差分,对3个差分图像取均值,二值化,再经过形态学处理,并对中间帧进行Canny边缘提取,将二者进行"与"运算,即得到运动目标的边缘,用背景减法提取中间帧的前景,二值化,将其和目标的边缘进行"或"运算,经过形态学处理便可得到运动目标。实验结果表明,使用该方法目标检出率提高了9.7%~72.1%,误检率降低了0.090%~2.900%。这种二者相结合的方法相对于单一的检测算法能够有效、可靠地提取出运动目标。     

OpenCVVS架构、算法及应用

摘要：Intel OpenCV VS是OpenCV内嵌的一个高效、通用的视频目标检测、跟踪扣轨迹分析的开源平台,但由于没有相关资料而缺少研究和应用。在深入挖掘OpenCVVS源码的基础上,剖析了该平台的整体架构和算法体系,给出了算法描述和相应接口。在此基础上,开发了一个基于OpenCVVS架构的稳定、高效的行人统计系统。     

基于视频图像的车速检测方法

基于视频图像对车辆速度进行检测,调用OpenCV自带的运动目标检测框架,来实现对行驶车辆的检测与跟踪,接着根据摄像机标定结果获取图像坐标与世界坐标的转换关系,求得检测车辆在实际空间中的行驶距离,最后依据速度公式便能得到所检测车辆车速。经测试,该方法具有较高的检测精度,满足实际应用的需求。     

一种基于视频技术的车辆跟踪方法

在智能交通系统中,基于视频技术的车辆跟踪是交通参数和交通事件检测的关键技术之一。本文首先研究了现有的基于视频技术的车辆跟踪技术,然后提出了一种使用Kalman滤波器预测车辆位置,并用距离和颜色信息辅助识别车辆的跟踪方法。实验结果表明,该方法能够有效地实现车辆的跟踪。     

基于OpenCV的动态背景下的运动目标检测

研究在动态背景下对视频图像序列进行运动目标的检测。主要包括三个步骤,分别是运动估计,运动补偿和目标检测。在运动估计中采用的主要是基于特征点匹配算法。这种算法与传统的块匹配算法最大的好处在于它的数据量少,计算简单迅速而且图像的匹配可靠性更高。最后用计算机视觉库OpenCV进行实现。     

基于视频序列的交通检测系统

基于人工电视监视的交通检测方法存在检测效率低、实时性差的缺点,提出了基于视频序列的交通参数和交通事件检测系统。将采集和预处理后的视频信号通过DSP处理,检测视频交通参数和交通事件,提取的交通参数和交通事件等分析结果通过TCP/IP网络传输协议传给视频分析识别终端,在视频分析识别终端上存储、显示交通参数与交通事件和视频信息,设置系统参数,同时可以进行查询、检索以及管理交通参数与交通事件。该系统实现了对车流量、车速、抛落物、行人和停车等交通参数与事件的实时性检测。     

基于连通性检测的视频监控运动目标提取

针对背景相对静止、主要检测对象为行人的视频监控序列,提出了一种基于连通性检测的目标提取算法,它把形态学滤波与连通性检测相结合,对分割后的二值化图像进行噪声干扰去除,在获得若干连通区域后,利用面积、外界矩形及其特征对连通区域进行识别,通过区域重心标注目标在各帧位置,实现目标提取.实验结果表明,该算法简单可靠,具有实时性,易于硬件实现,可应用于实际系统.