基于变分光流的三维运动检测与稠密结构重建

提出了一种基于变分理论的由稠密光流检测图像中目标物体三维运动与结构的直接方法。首先在透视投影模型下将目标物体的三维运动参数与图像光流联系起来,构建了一个未知量是三维运动参数的能量函数,然后使用变分方法直接求出图像中目标运动物体的三维运动参数,最后由求出的三维运动参数恢复物体表面的三维稠密结构及图像光流。该方法在对目标物体进行三维运动检测时省略了"光流计算"这一中间过程,避免了图像光流计算给三维运动检测结果带来的误差影响和时间消耗。多组实验证明该算法具有较高的计算精度、较好的鲁棒性和较快的计算效率。     

金字塔光流三维运动估计与深度重建直接方法

针对基于图像序列光流的三维运动估计与深度重建问题,提出一种基于图像金字塔光流的三维运动估计与深度重建直接方法。首先根据光流计算亮度守恒假设和像素点光流与三维空间点运动的对应关系推导出基于图像亮度的三维运动守恒假设;然后借鉴变分原理,通过设计基于L1模型的鲁棒数据项以及图像与运动联合控制的平滑项构造基于变分光流的三维运动估计能量函数;为了应对图像序列中包含的大位移运动及运动遮挡问题,采用图像金字塔分层策略设计三维运动估计模型;最后根据图像三维运动估计结果重建图像中运动物体或场景的深度信息。实验表明,该方法能够较好地应对图像序列中光照变化、多目标大位移运动以及运动遮挡等情况,具有较高的三维运动估计与深度重建精度和较好的鲁棒性。     

基于背景差分和光流法的运动目标检测与跟踪

本实验研究的系统是利用混合高斯背景建模的方法建立一个背景模型,通过背景差分法从一系列包含运动目标的图像帧中提取出运动目标,并对提取出的目标区域进行金字塔光流法,以目标区域的光流方向作为运动目标的运动方向。最后通过vc++平台和opencv库设计一个演示环境,实现在单一的场景中实现运动目标检测和跟踪,验证本系统算法的可行性。     

基于直线光流场的三维检测新方法

提出了基于直线光流场的三维检测计算方法。在透视投影下,将表示二维直线的参数对时间的导数定义成直线光流场,详细推导出基于直线光流场检测三维刚体运动参数的模型。使用最小二乘法,求出刚体的三维旋转运动参数、平移运动参数和空间直线坐标,从而实现了刚体的三维检测。该方法利用单目图像序列中连续3幅图像的2对直线光流,能够检测出物体的运动参数和结构参数,有助于全面检测和识别物体。多组实验表明该方法是稳定的,具有较好的鲁棒性能。     

运动调制参考光实时全息测量位移方向研究

提出用物体运动调制参考光实时全息测量物体位移方向的理论、方法和技术。用一束近似平行的光照射贴有反射镜的物体,由两者分别反射到全息干版上的物光和参考光相干涉形成和记录实时全息图。用原记录光束照射全息图,使试件沿一定方向位移,通过实时全息图观察到的实时干涉条纹会随观察点的移动而移动。物体位移方向、干涉条纹位移方向和观察点位移方向之间有确定的关系,推导了这种关系的数学表达式。根据这种关系归纳出了测量物体位移方向的基本法则。用不同试件完成了测定位移方向的实验,验证了所提出的新理论、新方法和相应新技术的正确性。     

一种改进光流法的运动目标检测及跟踪算法

针对精确制导武器末制导过程中动态背景情况下难以有效检测出运动目标的问题,提出了一种改进光流法的运动目标检测方法,并设计了相关跟踪算法。将Shi-Tomasi角点检测和金字塔LK(Lucas-Kanade)光流法结合,只计算强角点处的光流场,较好地估计了全局运动参数,然后采用卡尔曼滤波平滑运动矢量,有效地对当前图像进行了运动补偿。8对补偿后的图像采用三帧差分法得到运动目标,并设计了形态学腐蚀和膨胀运算去除了噪声以更准确地提取目标,最后对检测出的运动目标用归一化积相关算法进行了跟踪。仿真试验及嵌入式平台下的实际测试结果表明,所设计的算法在背景运动情况下依然能够非常有效地检测出运动目标,并且对目标能够稳定地跟踪。在PC上处理速度达到了34.1 f/s,嵌入式平台下为15.6 f/s。     

改进的光流运动图像分析方法及其应用

针对传统光流运动图像分析方法运动估计精度低且易受各种干扰等缺点,提出一种基于梯度阈值的五置信点约束的改进光流算法.该方法采用五置信点加权法处理像素时间和空间梯度值,减小了单个像素受噪声的影响.对基本光流约束方程进行了梯度阈值处理,剔除了光流场中不利于运动估计的干扰数据,提高了运动图像的运动估计精度.实验分别采用传统算法...     

视差图像的片光物体三维重构

提出一种基于视差图像结合片光技术的方法来重构物体的表面形貌。利用一组连续的图像对应的立体匹配点来计算视差值,并用于构建的片光模型中。提供两组不同高度的共面的光点,结合奇异值分解的算法来得出更精准的光平面,并用两幅描述同一运动的标定板图像来求更精准的对象移动位姿。采用对ROI区域精准定位有效部位,减少野点误差。实验证明,用此种方法能够有效准确的对物体表面进行重构,平均误差可达0.395mm。     

基于视觉几何的传送带测速方法研究

针对视觉测速系统误差较大且灵活性差的特点,提出了基于视觉几何的传送带上物体速度检测的方法,该方法无需摄像机标定。通过离线和在线图像处理相关算法提取图像参考点和工件特征点,结合视觉几何学算法,计算工件在相邻帧图像中的位移,同时记录采集、处理相邻帧图像所需时间;最后应用运动学公式计算物体的移动速度。应用无标定摄像机视觉系统检测工件的移动速度,不仅弥补了标定的摄像机系统灵活性差的问题,而且也减少了摄像机标定误差和镜头畸变带来的影响。实验结果证明所提出的方法灵活性强、精度高。     

基于图像的角度识别分析

图像信息是唯一反馈物体状态信息的来源,是对物体定位的依据.在图像中识别物体的方向、角度的方法很多.在众多方法中,图像的精度和处理信号速度直接影响着整个系统的性能,良好的算法可大大提高角度的定位速度及准确度.     

一种自动识别运动目标前端的方法

本文介绍一种以视频速率自动识别运动目标前端的方法。通过对目标运动参数的分析和目标脱靶量的修正而得到准确的目标运动轨迹,再用方向矢量进行搜索和与目标在内存中的地址比较的方法,找到目标的前端位置。为了实现上述方法,由TMS320C25为CPU构成一个实时目标自动识别系统。文章给出了该系统的硬件结构和软件流程。     

基于运动显著图和光流矢量分析的目标分割算法

为提高运动目标分割算法对多种复杂场景的自适应能力和分割精度,提出一种基于运动显著图和光流矢量分析的目标分割算法。该算法首先基于运动显著图提取运动目标的大致区域,然后利用光流矢量获得运动目标和背景区域的运动边界,并结合点在多边形内部原理得到运动目标内部精确的像素点,最后以超像素为基本分割单元,通过引入置信度的概念实现最终像素一级的目标分割。通过与典型算法进行多场景实验对比,表明该算法能够有效实现多种复杂场景下的运动目标分割,并且较现有算法具有更高的分割精度。     

自由锻造液压机控制策略

自由锻造液压机工作压力高、换向频繁,须要对大运动惯量部件进行平稳和精确控制,难度很大,现有控制方法无法很好地解决这一难题。通过研究自由锻造液压机工作特性,提出一种应用于自由锻造液压机的预测型多模式模糊控制策略。对液压机的不同区段分别进行模糊速度、位置和Bang-Bang控制,获得较高的快速性、平稳性和定位精度;使用预测算法,解决液压系统执行机构存在的动作滞后和惯性对控制特性与控制精度的影响。应用预测型多模式模糊控制策略,以减少液压机动作滞后的影响,使自由锻造液压机活动横梁的控制精度达到±1 mm,最高锻造次数达到120次/min,系统的液压冲击和主机振动也得到有效控制。     

基于DSP的运动目标识别与跟踪

使用数字信号处理器进行运动目标的识别与跟踪，提出了帧间差阈值法和光流场相结合的算法。通过对弹簧振子的运动分析，验证了系统的精确性和实时性。     

一种改进的基于光流法的运动目标跟踪算法

运动目标跟踪需要从背景中准确地检测出感兴趣目标并实现有效率的跟踪。文章结合Codebook模型和光流法提出了一个新的目标跟踪方法,首先用Codebook模型检测得到感兴趣目标,然后提取感兴趣目标内部的特征点并用光流法进行跟踪,跟踪过程中实时更新用以跟踪的目标内部的特征点。当目标发生遮挡时,采用Kalman滤波器预测目标的位置,遮挡结束后根据Kalman滤波器预测的位置和Codebook检测结果重新初始化感兴趣目标内部的特征点。实验结果表明,该算法具有较好的鲁棒性和较高的准确率,能够满足实时跟踪的要求。     

三维运动分析中的运动-立体双匹配约束

为保证在基于点特征的三维运动分析中运动物体不同时刻任意物方特征点的对应,对该过程中存在的图像运动-立体匹配问题进行了研究。提出了运动-立体匹配相结合,分阶段的运动-立体双匹配约束的方法。即采用松弛法点特征匹配算法完成图像间的基本匹配,通过运动-立体双匹配约束完成运动物体特征点的对应。给出了一组真实的实验数据,结果表明:该算法总的正确率达76.5%,基本达到了三维运动物体定位跟踪中特征点对应的要求。     

改进的低秩稀疏分解及其在目标检测中的应用

针对传统低秩稀疏分解算法用于运动目标检测时,前景提取结果容易受噪声干扰以及检测结果不完整的问题,提出了一种新的低秩稀疏分解模型。考虑到视频前景目标呈结构化分布,以及动态背景对前景提取结果造成影响,该模型利用结构化稀疏范数对前景进行约束,且将稀疏部分所代表的运动区域进一步划分为动态背景部分与前景部分;然后采用广义交替方向乘子法对提出的模型进行求解,并分析了算法的复杂度;最后进行仿真实验将其应用到运动目标检测中。实验数据结果验证了提出的方法比其他基于低秩稀疏分解的运动目标检测方法更加稳定有效,更具有普适性,且对不同类型的噪声均具有一定的抗噪性。     

Image processed tracking system of multiple moving objects based on Kalman filter

This paper presents a development result for image processed tracking system of multiple moving objects based on Kalman filter and a simple window tracking method. The proposed algorithm of foreground detection and background adaptation (FDBA) is composed of three modules: a block checking module (BCM), an object movement prediction module (OMPM), and an adaptive background estimation module (ABEM). The BCM is processed for checking the existence of objects. To speed up the image processing time and to precisely track multiple objects under the object’s mergence, a concept of a simple window tracking method is adopted in the OMPM. The ABEM separates the foreground from the background in the reset simple tracking window in the OMPM. It is shown through experimental results that the proposed FDBA algorithm is robustly adaptable to the background variation in a short processing time. Furthermore, it is shown that the proposed method can solve the problems of mergence, cross and split that are brought up in the case of tracking multiple moving objects.     

Centroid weighted Kalman filter for visual object tracking

In the visual object tracking, the Kalman filter presents commonly the state model and observation model uncertainty in the actual performance of Gaussian noise, so it makes the estimation of certain parameters produce errors in the model, and results in decreasing estimation precision. In order to enhance the stability of the Kalman filter, an algorithm based on centroid weighted Kalman filter (CWKF) for object tracking is proposed in this paper. The algorithm firstly uses background subtraction method to detect moving target region, and then uses the Kalman filter to predict target position, combining centroid weighted method to optimize the predictive state value, finally updates observation data according to the corrected state value. Tracking experiments show that the algorithm can detect effectively moving objects and at the same time it can quickly and accurately track moving objects with good robustness.