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.     

基于多个非刚体目标跟踪的视频对象平面生成算法

提出了一种提取运动对象的新的视频序列分割算法。算法的核心是一个对象跟踪器,它利用一种基于对象行为的跟踪算法对多个非刚体目标有效地进行对象跟踪,并与后续帧进行匹配,然后采用一种基于运动相连成分的模型刷新方法对模型的每一帧进行刷新,初始的模型自动产生,再利用滤波技术滤除静止背景,最后,利用边界图像模型从序列中提取出视频对象平面（VOP）。     

面向检索的压缩域空时视频目标检测与分割

面向语义视频检索,提出一种压缩域的目标分割新算法。它直接基于压缩码流中运动矢量和DCT系数,经过运动检测、矢量分水岭分割、目标融合与修正、后处理与跟踪等步骤提取空时视频目标。整个过程主要基于压缩域进行,无需视频码流的完全解码。对不同测试序列的实验测试结果显示算法能基于压缩域提取较为精确的空时视频目标,并具有较好的鲁棒性。     

体育视频中的运动目标智能跟踪研究

视频运动目标跟踪广泛应用于体育领域中,为了提高运动目标的跟踪精度,提出一种体育视频中的运动目标智能跟踪方法。首先收集体育视频,考虑体育视频中运动目标的多样性,采用改进背景更新差分法对运动目标进行检测,然后采用卡尔曼滤波算法对运动目标进行跟踪,最后对多个体育视频运动目标进行跟踪实验。结果表明,该方法可以准确、快速地对体育视频中的运动目标进行跟踪,而且运动目标跟踪的实时性要优于其他跟踪方法,为体育视频中的运动目标跟踪提供了一种新的研究工具。     

基于Mean shift和SIFT特征的运动目标跟踪方法

针对传统Mean shift跟踪算法对出现遮挡的运动目标定位不准确的问题,提出一种基于Mean shift和SIFT特征的运动目标跟踪方法。首先,用Mean shift跟踪运动目标;其次,采用SIFT特征算法提取Mean shift跟踪区域的SIFT特征和上一帧目标的SIFT特征进行匹配,得到SIFT跟踪结果;最后,对融合Mean shift跟踪结果和SIFT跟踪结果。实验结果表明：提出的算法能有效跟踪遮挡的运动目标。     

视频序列中运动目标的检测与跟踪方法

提出了一种视频序列中运动目标的检测与跟踪算法,该算法采用基于码本背景建模的减背景法与差分法相结合的算法,实现对运动目标的快速精确的检测与提取,也能够在存在前景运动的过程中提取背景,使用卡尔曼滤波对运动目标在下一帧中最可能出现的位置进行估计,在此基础上利用Camshift跟踪算法进行较小范围的搜索和目标匹配,减少了运算量、节约了搜索和匹配的时间、提高了跟踪的速度。实验证明该方法具有一定的实用性。     

基于运动目标的De-Interlace算法

本文提出一种新颖的基于运动目标的De-interlace算法.该算法以实际的运动目标作为操作对象,引入一种较精确的运动目标提取方法,并采用免疫克隆选择算法加速匹配目标的搜索过程.新算法融合了运动补偿、中值滤波、Weave、Bob等De-interlace方法.与流行的基于运动块补偿的De-interlace算法相比,新算法更适应复杂的视频序列,不仅可以处理平移运动,还适用于旋转、尺度变换等复杂运动情况.实验结果表明新算法的整体性能优于基于块匹配的方法.     

基于光流方程和目标匹配的视频图像目标跟踪方法

提出一种利用图像差分、局部光流法和目标匹配,实现视频对象目标提取和跟踪的方法.首先,对预处理后的图像进行差分;在差分的基础上,运用局部光流场对目标进行运动估计;对估计结果依据相似度进行聚类分析,消除小的非目标区域;当目标未发生剧烈变化时,更新目标模板,否则,利用已有目标模板进行匹配跟踪.实验结果验证了该算法的有效性,并实现了目标变形和部分遮挡时的稳定跟踪.     

基于改进分水岭和形态学的视频运动目标检测

为了获得理想的视频运动目标检测结果,本文提出了一种标记分水岭和形态学相融全的视频运动目标检测算法。首先采用各向异性扩散模型对视频图像进行预处理,消除噪声对目标检测的干扰,然后差分算法提取运动目标的轮廓,并对提取的目标轮廓进行形态学操作,最后采用标记分水岭算法对运动目标进行标记和分割,并采用仿真实验测试算法的性能。仿真结果表明,本文算法较好防止了"过分割"缺陷的出现,可以准确从复杂背景检测到运动目标,不仅提高了视频运动目标的检测正确率,并且加快了视频的检测的速度。     

铁路视频监控中运动目标检测算法研究

运动目标的正确检测影响着运动目标能否被正确跟踪与分类,因此成为视频监控系统研究中的一项重要课题。文中对运动目标检测算法进行研究,实现对铁路沿线前方目标的有效识别,针对得到的视频序列,通过混合高斯模型进行背景建模,并与混合差分算法结合实现前景的提取与检测。通过与混合差法相比较,其仿真结果表明,该算法具有一定的可行性。     

动态背景下融合运动线索和颜色信息的视频目标分割算法

针对现有动态背景下目标分割算法存在的局限性,提出了一种融合运动线索和颜色信息的视频序列目标分割算法。首先,设计了一种新的运动轨迹分类方法,利用背景运动的低秩特性,结合累积确认的策略,可以获得准确的运动轨迹分类结果;然后,通过过分割算法获取视频序列的超像素集合,并计算超像素之间颜色信息的相似度;最后,以超像素为节点建立马尔可夫随机场模型,将运动轨迹分类信息以及超像素之间颜色信息统一建模在马尔可夫随机场的能量函数中,并通过能量函数最小化获得每个超像素的最优分类。在多组公开发布的视频序列中进行测试与对比,结果表明,本文方法可以准确分割出动态背景下的运动目标,并且较传统方法具有更高的分割准确率。     

基于Snake活动轮廓模型的视频跟踪分割方法

基于Snake活动轮廓模型,采用时空融合的方式,根据短时间内相邻帧的运动趋势差异相似的前提,首先将视频序列分成若干个小段,每段有k帧视频,选取段内的前两帧为关键帧,通过运动检测的方式自动得到这两帧中运动对象的大致区域;然后进行帧内Snake演变,搜索精确轮廓;最后以关键帧间运动对象形心的运动矢量预测勾勒后续帧的初始轮廓,进行帧内Snake精确轮廓定位,从而实现所有帧的视频对象分割。相比于传统方法,本文方法克服了手动绘制初始轮廓的缺点,在空域对Snake贪婪方法进行了改进而且精确度高,速度快。实验表明,本文方法成功地实现了前后帧图像之间运动对象的对应匹配关系,并通过改进后的Snake贪婪方法得到了精确的分割结果。     

HOS运动目标分割算法在视频监控中的应用

为了提高视频监控中运动目标分割的速度和准确度,研究并实现了一种基于高阶统计量HOS(HigherOrder Statistics)的分割算法.首先根据HOS假设检验处理帧差图,判定像素点是否属于运动区域,阈值通过灰度共生矩阵获得,考虑了背景纹理的慢变化.然后,用矩形框聚类法大致确定运动目标的范围,在该范围内使用形态运算法和首尾扫描法去除空洞.最后,使用模板相与法获得帧图像的运动目标模板,从原图像中分割运动区域.算法采用了由粗到精的分析策略,实验表明,是一种快速稳健的算法.     

Moving object detection and tracking from video captured by moving camera

This paper presents an effective method for the detection and tracking of multiple moving objects from a video sequence captured by a moving camera without additional sensors. Moving object detection is relatively difficult for video captured by a moving camera, since camera motion and object motion are mixed. In the proposed method, the feature points in the frames are found and then classified as belonging to foreground or background features. Next, moving object regions are obtained using an integration scheme based on foreground feature points and foreground regions, which are obtained using an image difference scheme. Then, a compensation scheme based on the motion history of the continuous motion contours obtained from three consecutive frames is applied to increase the regions of moving objects. Moving objects are detected using a refinement scheme and a minimum bounding box. Finally, moving object tracking is achieved using a Kalman filter based on the center of gravity of a moving object region in the minimum bounding box. Experimental results show that the proposed method has good performance.     

Video object tracking using adaptive Kalman filter

In this paper, a new video moving object tracking method is proposed. In initialization, a moving object selected by the user is segmented and the dominant color is extracted from the segmented target. In tracking step, a motion model is constructed to set the system model of adaptive Kalman filter firstly. Then, the dominant color of the moving object in HSI color space will be used as feature to detect the moving object in the consecutive video frames. The detected result is fed back as the measurement of adaptive Kalman filter and the estimate parameters of adaptive Kalman filter are adjusted by occlusion ratio adaptively. The proposed method has the robust ability to track the moving object in the consecutive frames under some kinds of real-world complex situations such as the moving object disappearing totally or partially due to occlusion by other ones, fast moving object, changing lighting, changing the direction and orientation of the moving object, and changing the velocity of moving object suddenly. The proposed method is an efficient video object tracking algorithm.     

背景渐变的视频对象分割算法研究及实现

提出了一种有效的背景渐变的视频对象分割算法.首先将前一帧分成前景和背景两部分,然后采用灰度投影匹配算法对当前帧进行全局运动估计和补偿,将当前帧与上一帧进行差分运算,便可得到差分图像.通过对差分图像进行二值化处理,得到运动模板并与前景信息进行相与计算,再结合当前帧信息便可得到运动目标.在TI公司的TMS320DM642芯片上验证了该算法,实验结果表明该算法不仅对亮度变化和环境变化具有鲁棒性,而且可独立、精确地分割出运动目标.     

运动目标的自动分割与跟踪

该文提出了一种对视频序列中的运动目标进行自动分割的算法。该算法分析图像在L U V空间中的局部变化,同时使用运动信息来把目标从背景中分离出来。首先根据图像的局部变化,使用基于图论的方法把图像分割成不同的区域。然后,通过度量合成的全局运动与估计的局部运动之间的偏差来检测出运动的区域,运动的区域通过基于区域的仿射运动模型来跟踪到下一帧。为了提高提取的目标的时空连续性,使用Hausdorff跟踪器对目标的二值模型进行跟踪。对一些典型的MPEG-4测试序列所进行的评估显示了该算法的优良性能。     

运动目标检测与跟踪算法的改进与实现

提出了一种对视频图像中运动目标检测并进行实时跟踪的新方法。该方法利用基于背景建模的背景差分与改进的带时间戳的运动历史图像(tMHI)的目标分割相结合的算法对运动目标进行检测,在获取到视频流中的运动目标轮廓后使用基于tMHI的运动梯度算法来实现运动目标的跟踪。实验结果表明,该方法能够对指定区域内的目标进行有效识别和准确跟踪,并且弥补了运动目标暂时性停止时无法检测出来的不足。     

Segmentation and tracking of moving objects for content-based videocoding

To enable content-based functionalities in video coding, a decomposition of the scene into physical objects is required. Such objects are normally not characterised by homogeneous colour, intensity, or optical flow. Therefore, conventional techniques based on these low-level features cannot perform the desired segmentation. The authors address segmentation and tracking of moving objects and present a new video object plane (VOP) segmentation algorithm that extracts semantically meaningful objects. A morphological motion filter detects physical objects by identifying areas that are moving differently from the background. A new filter criterion is introduced that measures the deviation of the estimated local motion from the synthesised global motion. A two-dimensional binary model is derived for the object of interest and tracked throughout the sequence by a Hausdorff object tracker. To accommodate for rotations and changes in shape, the model is updated every frame by a two-stage method that accounts for rigid and non-rigid moving parts of the object. The binary model then guides the actual VOP extraction, whereby a novel boundary post-processor ensures high boundary accuracy. Experimental results demonstrate the performance of the proposed algorithm     

Overlapped patch elimination algorithm for deformable mesh videocoding

Updating mesh nodal points is one of the major tasks in deformable mesh video coding. Owing to object movement and inexact motion estimation, nodal point tracking often results in overlapped patches. A noniterative nodal point processing algorithm is proposed to solve this problem. Simulation results indicate that with this overlapped patch elimination algorithm, the updated mesh can maintain a rather uniform distribution and the moving object can be traced quite well