复杂场景中基于变块差分的运动目标检测

针对复杂场景中包含的摄像机扫描运动、随机抖动和目标运动,提出一种基于帧间可变块差分的运动目标检测算法.首先,利用全局特征点估计运动参数对帧间背景进行补偿,提取图像的全局特征点并匹配,以特征点集的最小位置误差和作为目标进行迭代,获取误差不大于0.5 pixel的全局运动参数,并精确补偿当前帧实现背景校正.然后,利用可变块...     

背景帧间差分法的移动目标跟踪研究

根据视觉领域中对运动目标跟踪分析的热点算法,提出背景帧间差分算法对视频中移动的行人进行目标跟踪。该算法通过计算连续三帧视频图像间各相应像素点的差分,求出背景点和目标点,再经过形态学运算即可描绘出移动的目标。实验证明,该算法简单、有效,且不易受光照影响;能满足大部分视频中对移动目标的跟踪。     

应用自适应多测量融合粒子滤波的视场跟踪

针对矿井跟踪视场中由于单一线索对目标特征描述缺乏可分性以及多线索融合策略对场景变化缺乏自适应性导致人员跟踪失效的问题,提出了基于自适应多测量融合粒子滤波的矿井人员跟踪算法。将粒子邻域光流统计信息表征的运动性作为线索建立运动光流直方图模型,并与颜色相融合建立多观测模型。将单观测估计状态粒子区域与融合估计粒子区域的质心距离作为单观测模型贡献率度量因子,定义了观测权值自适应策略,实现了粒子观测模型与跟踪目标状态特征的同步变化;通过建议重采样函数对粒子落入低观测似然时进行有效的采样补偿,增强了跟踪的鲁棒性。实验结果表明,本算法能够有效地解决矿井跟踪视场下(背景复杂)由于场景变换而导致跟踪目标丢失的问题;将本文算法与基于颜色和基于颜色与帧差分融合的粒子滤波算法做状态估计均方误差比较,结果表明,状态估计准确率提高了1.57倍。     

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。     

基于多特征融合的运动目标跟踪方法

采用单一特征描述目标和传统模型更新方法对目标进行跟踪难以适应目标的遮挡、形变以及复杂场景变化等问题。针对此问题,提出一种多特征融合和选择性更新模型的相关滤波器跟踪算法。分别利用方向梯度直方图和颜色特征训练滤波器模型,在检测阶段根据不同特征响应图的峰值旁瓣比和加权融合两种特征;根据每帧最终目标位置响应图的峰值旁瓣比,判断目标是否发生遮挡,发生遮挡时则不更新模型,下一帧中继续使用当前模型进行跟踪。选取公开测试视频集中12段视频序列与多个前沿运动目标跟踪算法进行对比实验,结果显示,相对于次优的基于颜色特征(color names,CN)的算法,平均中心位置误差减少了25.12像素,平均跟踪精度提高了29.31%。实验结果表明,在目标发生尺度变化、遮挡和光照变化等情况下,该算法可以稳定、准确跟踪运动目标。     

基于单高斯背景模型和双差分融合的运动目标检测算法

提出了一种新的运动目标检测算法,实现了只对帧图中感兴趣的运动目标区域进行背景匹配更新,能够较精确地检测出运动目标。该算法首先提出了双差分模型确定运动目标最大分布的可能区域,然后融合单高斯背景模型对此区域进行背景重建,再运用背景差分得到精确前景目标。仿真试验结果表明,该方法降低了运算的复杂程度,提高了检测精度,具有很好的鲁棒性。     

基于Camshift算法的神经丝蛋白自动跟踪

神经丝蛋白体型细长、形态多变,跟踪难度大.为了能够准确稳定的获取神经丝蛋白质的运动状态,利用了改进的Camshift算法实现了对神经丝蛋白运动的自动跟踪.利用HSV颜色空间的颜色直方图建立目标模型,结合预测点对目标特征点加权.通过在目标颜色概率模型中引入核函数,利用核密度梯度来进行目标搜索,最终在每帧图像中获取目标的具...     

高精度实时全帧频SURF电子稳像方法

针对视频抖动和电子稳像的实时性,提出了基于SURF的电子稳像算法.首先,采用SURF算法检测图像的兴趣点,建立了当前帧与参考帧的对应关系,得出高精度的运动估计矢量.然后,通过判定参考帧更新策略,获得平滑的帧间全局运动矢量,进而对原始视频序列进行运动补偿.最后,将参考帧对应区域像素填充到稳像帧丢失像素区域进行全帧频补偿,...     

一种鲁棒的基于改进Mean-shift的目标跟踪算法

为了克服传统Mean-shift算法在跟踪运动目标时由于背景像素造成的定位偏差和由于遮挡造成的跟踪失效,提出了两点改进措施。第一,根据初始帧目标和背景在颜色分布上的差异,建立对数似然图(log-likelihood image),筛选出目标中与背景可区分性好的颜色特征建立目标模型,并以同样的方法在后续帧建立候选模型。第二,将候选区域划分为若干重叠的子块,分别利用Mean-shift算法对各个子块进行迭代,以与目标区域相应子块最为匹配的子块的所在位置对整个目标重新定位,该方法很好地实现了目标部分遮挡情况下的稳定跟踪;严重遮挡时,采用简单的线性预测,估计下一帧目标可能出现的位置。实验结果表明：改进算法可以准确的进行目标跟踪,对部分遮挡和严重遮挡都有较强的鲁棒性。     

多模式融合的目标跟踪算法

为了解决目标跟踪中运动模型复杂,运动场景多变的情况,提出了一种多模式融合的目标跟踪算法.该算法选取目前广泛应用的mean-shift和粒子滤波算法分别跟踪目标,得到当前目标位置的候选值,并采用加权合成参考函数建立参考模板.然后,以侯选目标位置差异和参考模板为标准,确定目标的正确位置.最后,根据当前帧目标模板和参考模板的距离来决定是否更新模板.实验仿真结果表明,与单一的目标跟踪算法相比,本文算法的平均跟踪误差减小了一倍以上.假如参考模板更新错误,下一帧中仍能以67%的概率正确跟踪目标,连续3次模板更新之后,误更新的模板对目标跟踪的影响可以降低到10%以下,有效地降低了模板更新引起的跟踪错误和跟踪不稳定.     

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。     

基于监控视频的异常事件识别

提出了一种基于监控视频的异常事件识别模型,该模型可以实时监测视频中的前景目标,并通过分析目标的运动信息判断是否有异常事件的发生。首先,采用背景建模的混合高斯算法提取前景目标;然后,用金字塔迭代的L-K特征点跟踪算法得到前景的光流运动信息,并通过分析前景的面积比例、速度方差、整体熵判断视频中是否有异常事件的发生;最后,利用爆炸、人群短时聚集和分散两种异常事件做仿真实验。结果表明,该模型可以准确提取前景目标区域,并可以快速、精准地判断监控视频中的异常事件,可以为管理部门及时发现和控制异常事件提供有效的帮助。     

特征点辅助的时空上下文目标跟踪与定位

针对动态目标跟踪中快速运动和目标遮挡而跟踪失败问题,提出了一种特征点辅助的时空上下文跟踪算法。首先提取目标特征点,通过特征点匹配和光流跟踪方法进行目标追踪,获得目标预估位置;其次,建立特征点变化率和时空上下文模型更新率关系模型,实时调控更新率,防止引入错误信息;最后,在预估位置区域内,构建局部上下文外观模型,计算与时空上下文模型的相关性获取置信图,进一步精确定位目标。算法在一组测试视频集中进行验证,相比目前4种主流算法(平均跟踪成功率最高为60%,平均跟踪误差最小为26.14 pixel),本算法综合性能达到最优,平均跟踪成功率为90%,平均跟踪误差为7.47 pixel,平均跟踪速率25.31 f/s。在双目视觉移动机器人平台上对随机运动目标进行跟踪实验,在背景干扰、遮挡、目标旋转和快速运动等组合情况下,跟踪成功率97.4%,跟踪距离平均相对误差为4.05%。     

基于多任务学习的视频异常检测方法

针对异常事件位于图像前景的某个局部区域,且背景区域对于异常检测存在干扰的问题,提出了一种多任务异常检测双流模型,模型架构包含未来帧预测网络和光流重构网络。首先利用前景检测算法获取自然图像和光流图像的目标区域,再将选取的区域送入到编码-解码网络完成未来帧预测和运动重构,对运动特征和表观特征进行提取,最后,使用深度概率网络给出的概率值作为判断异常的决策,并与重构损失及预测损失相结合来判断视频的异常性。本文针对大型场景的3个视频监控数据集(UCSD行人数据集、Avenue、Shanghai Tech)对本文提出的模型进行了异常性评估,所提出的方法在3个数据集上的AUC值分别为97.4%,86.4%,73.4%。与现有工作相比,本文的模型架构简洁且易于训练,异常检测结果更加准确。     

基于状态分割的运动目标实时跟踪

针对基于云台的移动式摄像头视频监控系统,为准确、实时地对运动目标实施检测、跟踪,提出了一种基于状态分割思想的运动目标实时跟踪方法。该方法将运动目标检测跟踪过程按摄像头的运动状态分为静止、运动2个阶段。在摄像头静止阶段,采用基于混合高斯模型的背景差法检测运动目标,提取目标的颜色特征信息;在摄像头运动阶段,采用Camshift算法对运动目标进行跟踪。开发了基于 OpenCV 开源库的算法程序。实验结果表明,在目标颜色特征显著的情况下,该方法实现了移动式摄像头对运动目标的精确跟踪,并具有较好的鲁棒性和实时性。      

动态特征块匹配的背景更新在运动检测的应用

为解决传统监控设备视场小、非智能等缺陷,结合全景成像技术和计算机视觉技术,建立无人环境下外来入侵自动检测系统,从而实现了全景监控视场下运动目标快速准确的检测及跟踪。该技术关键在于如何在复杂的动态背景下有效地提取运动目标,为此提出一种基于动态特征块匹配的自适应背景更新算法。在采用帧间差分与背景差分融合算法检测到目标的基础上,利用目标的矩信息进行跟踪,避免了全景视觉下颜色及轮廓特征缺失的弊端。根据目标的轮廓及位置提取特征块,将视频序列的每一帧图像与初始背景图像进行特征块区域的局部匹配,首先通过分析特征块图像的颜色特征,构建基于区间统计的RGB颜色直方图,提取颜色特征序列。然后通过计算序列相关性来判断该区域是否需要背景更新,从而降低对单个像素更新的冗余计算。实验表明,该更新算法具有较强的鲁棒性和可行性,能够有效提高监控系统的稳定性。     

移动相机下基于三维背景估计的运动目标检测

室内环境中的运动目标检测是计算机视觉领域的研究热点,而移动相机造成的动态背景是运动目标检测的难点。本文提出一种基于同步定位与地图创建(ORB-SLAM)三维背景估计的运动目标检测算法,首先使用移动相机遍历整个室内环境,采用ORB-SLAM技术建立当前全局环境的三维背景特征点云模型;然后基于局部视频建立局部三维特征点云,根据定位信息将当前局部三维特征点云与环境三维背景特征点云进行嵌入,基于环境背景信息,采用三维均值漂移(3DMS)算法,对局部三维特征点云进行前景特征点提取;运用深度卷积神经网络,对提取的前景特征点所在候选区域进行运动目标确认。通过多个室内场景的实际实验进行验证,结果表明本文方法具有较高的运动目标检测准确率和召回率,提出的运动目标检测算法充分利用了三维背景信息,采用深度卷积神经网络进行确认,有效地改善了检测的准确性和鲁棒性。     

基于单目视觉的移动机器人跟随

针对室外环境下移动机器人基于单目视觉对目标人实时跟随问题进行了研究,提出通过均值漂移算法对像平面目标的跟踪来实现目标定位。为了补偿摄像机运动造成目标在像平面的偏移,提出了以卡尔曼滤波器的估计值作为均值漂移算法的启动点,然后利用均值漂移算法获得最终位置;为了估计单目视觉下目标与机器人之间的距离,提出了一种借助于主颜色描述子和形状直方图的间接景深计算方法。室外实验表明该算法具有很好的实时性和鲁棒性,能有效实现复杂室外环境下对人的跟随。