可视化背景提取和粒子滤波的行为检测研究

在智能视频监控中,目标所在场景的复杂性和光照变化使得运动目标的检测难度加大.采用可视化背景提取(ViBe)算法来检测运动目标,对于运动目标在运动过程中的交叉、遮挡等情况,采用ViBe算法和粒子滤波运动目标跟踪算法相结合,完成对运动目标的检测与跟踪;在运动行为检测中,进一步定义目标的运动方向,从而判断目标的运动状态.实验表明,ViBe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,将其和粒子滤波结合能够准确跟踪实际场景中的运动目标,并能够准确判断目标的运动状态.     

强噪声场景下运动模板的检测与跟踪技术研究

针对目前多数运动车辆检测与跟踪算法在雨雪等强噪声场景下抗噪能力较弱这一难点问题,提出应用运动模板方法解决强噪声场景下运动车辆的检测与跟踪问题。通过针对标准测试视频的对比实验,相对其他几种典型的目标检测与跟踪算法,运动模板的检测方法具有以下特点：抗强噪声的能力、多目标检测和方向检测。基于车辆的检测与跟踪实验验证了运动模板方法在强噪声场景下对运动目标的实时检测与跟踪能力。     

基于非重叠多摄像头的实时监控系统

针对室内外环境的动态特点,描述了一个可扩展的多摄像头实时监控系统,提出了新的基于非重叠多摄像头的运动目标跟踪方法.该方法利用亮度信息在单摄像头内检测和跟踪目标,结合运动目标的亮度特征和路径特征,在多摄像头内估计运动目标外形变化,并建立运动目标路径模型,使用融合算法实现基于非重叠多摄像头的目标跟踪.与其他监控系统相比,该系统不要求摄像头校准,在有亮度变化的非重叠多摄像头场景中能立即准确跟踪目标.实验证明,提出的方法有好的跟踪效果.     

视频目标检测匹配跟踪算法优化研究

针对目前视频目标检测匹配跟踪算法不能满足视频监控的高实时性要求,不能满足当前硬件平台主流技术的问题,研究了差分目标检测和匹配跟踪算法的优化实现问题.为优化算法减少计算量,选用了连续帧训练背景的方法,利用背景差分检测出场景中的运动物体,采用模板匹配跟踪算法,将目标检测和跟踪算法在DM642上优化并实现.仿真结果表明,经过算法和程序级的优化,程序运行时间大大减少,可在CIF格式下较好地进行多物体的实时检测与跟踪.     

基于改进运动历史图像的多运动目标实时跟踪

提出了一种利用视频图像对运动目标进行实时检测与跟踪的新方法.该方法利用基于改进的时间片的运动历史图像(tMHI)的灰度阶梯轮廓方法对多个运动目标进行检测,通过卡尔曼滤波器对多目标进行跟踪,并得到了各个运动目标的轨迹曲线,进而实现了对视频图像中多目标的跟踪.同时,该方法对多个目标的遮挡问题获得了明显的改善效果.实验结果表明,该方法能够对复杂场景下的多个目标进行有效的识别和准确的跟踪,系统的实时性强,识别率高,而且该方法对于复杂视频监视系统场景中的光照变化、雨雾等干扰具有较强的稳健性.     

基于动态图像序列的运动目标检测与跟踪

运动目标的检测与跟踪在智能监控和车辆导航领域中得到了广泛的应用。该文提出了基于统计背景模型和α-β-γ滤波模型的运动目标检测和跟踪算法。在此方法中，首先建立背景的高斯模型，然后检测出场景中的运动目标，最后在目标检测的结果上，采用α-β-γ滤波器对检测出的运动区域进行运动参数估计，进而跟踪出运动目标的轨迹。实验表明，该方法能够有效地分割出序列图像中的前景目标，并提高了目标跟踪的稳定性。从而证明了该方法的有效性。     

一种障碍物模型检测算法

针对观测场景结构复杂、建模困难的问题,提出了一种基于运动目标跟踪的场景障碍物模型检测方法.结合对目标的检测与跟踪过程,利用空间投影关系确定场景中障碍物的位置,并将其映射到场景模型上,即可得到场景观测模型.该方法只需要对目标运动进行简单地跟踪和统计,不需要进行三维结构恢复以及图像拼接处理,能够有效解决场景的在线自适应建模问题.     

基于高速公路场景的车辆目标跟踪

车辆目标检测与跟踪是高速公路视频监控系统实时监控获取交通参数的关键步骤.本文提出了一种面向高速公路场景的目标轨迹时序信息结合核相关滤波KCF算法的车辆目标跟踪方法,实现了车辆目标的高精度持续跟踪.该方法首先采用基于深度学习的单目标检测SSD算法,通过建立车辆数据集,实现了适用于高速公路场景的车辆目标的分类与检测.然后,基于目标轨迹时序信息实现目标车辆与轨迹的匹配,并且采用KCF跟踪算法对丢失目标进行预测重定位,从而实现车辆目标轨迹的持续跟踪.实验表明,该跟踪方法精度高,且适应多种不同场景,具有较高的应用价值.     

基于视觉显著性的均值漂移跟踪算法

为解决突变运动下的目标跟踪问题,提出了一种基于视觉显著性的均值漂移跟踪算法,将视觉注意机制运用到均值漂移跟踪框架中,利用时空显著性算法对视频序列进行检测,生成视觉显著图,从视觉显著图对应的显著性区域中建立目标的颜色特征表示模型来实现运动目标跟踪.实验结果表明:该算法在摄像机摇晃等动态场景下可以较准确检测出时空均显著的目标,有效克服了在运动目标发生丢失和遮挡等情况下跟踪不稳定的问题,具有较强的鲁棒性,从而实现复杂场景下目标较准确的跟踪.     

基于点云分割的运动目标跟踪与SLAM方法

现有的绝大多数同步定位与地图构建(SLAM)方法是基于静态场景假设,场景中运动目标被视为干扰,它的存在会导致定位和建图精度下降甚至失败.而运动目标检测与跟踪在很多应用中又是必须的,却在求解SLAM问题时被滤除.针对这一问题,本文提出一种融合激光雷达和惯性传感器,可同时完成SLAM和运动目标检测与跟踪的方法.首先利用惯性传感器的观测结果来补偿激光雷达扫描过程中由于自身运动引起的运动失真,在运动补偿后的点云上应用全卷积神经网络(FCNN)检测出所有可能的运动目标,并基于无迹卡尔曼滤波(UKF)实现运动目标的跟踪以及动、静目标的区分.然后利用剩下的静态背景点云部分进行数据关联和运动估计,实现定位和建图.为进一步提高建图的一致性和精度,增加了闭环检测,并基于图优化的方法实现地图和轨迹的全局优化.在开源数据集KITTI及实验平台采集的数据集上进行了大量实验验证.实验结果表明,相比于传统的SLAM方法,本文方法不仅能实现运动目标的检测与跟踪,同时可完成实时、鲁棒、低漂移的车辆位姿估计与建图,且建图精度明显优于现有其他方法.