基于帧间差分的智能视频实时运动目标提取模式研究

针对实时视频静态背景中的运动物体跟踪问题,利用帧间差分法检测运动物体以达到跟踪物体的目的,研究结果表明,帧间差分法具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪.     

动态环境下结合语义的鲁棒视觉SLAM

针对传统同时定位与地图构建(SLAM)在动态环境中受动态物体干扰而导致精度低、鲁棒性差的缺点,提出了一种结合语义的鲁棒视觉SLAM算法。采用深度学习技术构建基于卷积神经网络的物体检测器,结合先验知识,在语义层面实现对动态物体的检测;提出基于速度不变性的相邻帧漏检补偿模型,进一步提高物体检测网络的检出率;构建基于特征点的视觉SLAM系统,在跟踪线程中对动态物体特征点进行剔除,以减小错误匹配造成的位姿估计的误差。经实验验证:系统在极端动态环境测试中保持定位不丢失,在TUM动态环境数据集测试中,定位精度比ORB-SLAM2提高22. 6%,性能提高10%。     

基于Mask R-CNN的动态物体剔除方法在RGB-D视觉SLAM中的应用

运行的场景中没有运动物体是大多数SLAM算法的前提,这个假设过于理想化,导致大多数视觉SLAM算法在动态环境下无法使用,因此也就限制了其在服务型机器人和自动驾驶等中的应用。提出了一种动态物体检测及剔除方法并将其整合到ORB-SLAM2[1]算法中,提升了其在动态场景中使用RGB-D摄像头时的稳定性。基于Mask R0CNN获得动态物体的检测和移除能力从而剔除从动态物体上提取到的ORB特征。在公共的RGB-D数据集上评估了加入动态物体剔除方法后的ORB-SLAM2系统,对比了在动态场景下和原系统的差异。改造后的系统在动态场景下的定位和建图精度提升较为明显。     

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.     

基于复合动态模型和证据融合架构的移动物体检测与跟踪方法

针对现有方法中移动物体检测与跟踪的准确性精度较低的缺点,提出一种基于多传感器检测分类的移动物体描述和感知方法：建立了一个包含核心对象动态特征和分类描述的复合模型,在此基础上设计了一个基于证据框架的信息感知与融合方法,通过整合动态模型和不确定性特征来实现对移动物体的检测和跟踪。为了验证所提方法的有效性,在一辆安装有雷达、激光雷达和摄像头的演示车上进行了相关实验,在不同驾驶场景下针对行人、卡车和轿车三个移动物体进行了检测与跟踪,实验结果证明所提方法具有非常高的准确性。     

无表观特征小目标检测与跟踪

检测跟踪模糊的小目标是计算机视觉领域中难度极大,富有挑战的任务。由于被跟踪的目标过小或过于模糊,难以提取合适的可用于检测和跟踪的表观特征,使得现有的目标检测和跟踪算法不能解决上述问题。前景运动物体区别于背景随机噪声的一个重要特征是运动物体具有一定的运动规律,基于这个假设提出一种新方法,根据物体的运动规律对其进行跟踪。首先,提出利用运动物体的时空域关联性,对视频中的运动目标进行分割和去噪;其次,提出了利用动态规划得出并优化物体的运动轨迹。各种条件下的实验结果表明了上述方法的精确性和鲁棒性。     

一种基于Hausdorff距离的运动物体跟踪算法

针对视频处理中运动物体的检测和跟踪问题,提出了一种基于Hausdorff距离的目标跟踪算法。新算法提出首先采用多尺度分水岭变换获取运动物体模型,消除了传统基于分水岭变换算法存在的缺陷;然后使用部分Hausdorff距离实现后续帧中运动物体模型的匹配;最后再次使用多尺度分水岭算法完成运动物体模型的更新。实验表明,该算法可以有效地跟踪多个刚体或非刚体目标。     

面向动态物体场景的视觉SLAM综述

针对当前机器人导航、自动驾驶等领域中的热点问题——面向动态物体场景的视觉SLAM(同步定位与地图构建)——进行了综述.根据动态SLAM在定位与建图时对动态物体的不同处理方式,划分了3个研究方向:动态鲁棒性SLAM与静态背景重建、非刚性动态物体跟踪重建、以及移动物体跟踪与重建.对这3个研究方向分别进行了综述,并重点介绍结合了深度学习的动态SLAM方法.最后,展望了动态SLAM的未来发展方向.     

基于帧间差分背景模型的运动物体检测与跟踪

针对背景差分算法中在复杂背景下参考帧的提取问题,提出了一种新的背景提取方法;该算法用帧间差分法将帧中的背景象素点检测出来,再确立出背景帧;由于排除了帧中运动物体的影响,因而提取出的背景干净,效果很好,然后运用背景差分检测出场景中的物体,最后采用一种新的运动物体跟踪算法,实现了运动物体和静止物体的识别,克服了以往检测算法中的误检和空洞问题,实验结果表明,该方法快速有效,能够满足实时性的要求.     

基于深度学习的短视频中的物体检测与内容推荐系统研究

近年来短视频发展迅猛,短视频广告投放具有良好的市场前景,但是以往长视频的贴片广告投放方式不适合短视频。本文依据高相关、低打扰、短而精的准则,提出一种基于深度学习的视频物体检测与内容推荐系统方案。根据短视频来源、网络环境等不同,本文介绍2种实现模式：云端模式和移动终端模式。云端模式由服务器、内容分发网络（Content Delivery Network, CDN）和终端组成,服务器可预先对CDN短视频进行物体检测和识别,将短视频与对应广告内容匹配,并在移动端播放。移动终端模式主要处理本地视频,在移动端有限的资源上完成短视频的物体检测和内容推荐。在算法上,移动终端模式下该系统采用深度学习轻量级模型MobileNet以提高检测速度和准确率,降低内存。在实现上,通过联合编译Java和C++代码提高算法运行效率,通过反馈系统减小物体类别数量,提高实时性。     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

利用OpenCV的运动物体智能视频图象处理监控系统设计

目前,无论是家庭还是社会安全性一直都备受关注。随着计算机视觉、视频智能识别等技术的高速发展,实现监控系统的实时分析报警已成为了可能,本文从运动物体的检测、运动跟踪及行为判断三大技术出发,利用OpenCV设计了一个运动物体智能视屏图象处理监控系统,该系统不但有效的实现对所监控区域的实时监控与报警,而且也对传统视频监控系统进行了革新,重要场所的安全运行提供了强有力的保障。     

H.264视频码流中运动物体的提取

H.264是新一代视频编码标准,具有广泛的应用前景。本文主要讨论了基于H.264视频流中运动物体检测的问题。首先简要介绍了H.264视频编码标准,然后分析了各种编码图像帧的编码过程,从而得出根据运动矢量来检测运动物体的方法,并分析了因摄像机运动而对检测方法造成的影响及相应的处理方法。从实验结果可以看出,检测效果还是比较令人满意的。     

一种改进的LK光流算法应用研究

本文在LK光流算法的基础之上进行改进,提出了一种新的面向视频中物体特征复杂、背景情况复杂、可形变物体的物体实时识别跟踪技术,并基于此算法在嵌入式平台上实现身份识别与网络电视重点个性化推荐系统.     

六足机器人动态目标检测与跟踪系统研究

动态目标检测与目标跟踪是图像领域的热点研究问题,为研究其在移动机器人领域的应用价值,设计了六足机器人动态目标检测与跟踪系统。针对非刚体运动目标容易被检测为多个分散区域的问题提出区域合并算法,并通过对称匹配、自适应外点滤除对运动背景进行精确补偿,最终基于背景补偿法实现对运动目标的精确检测。研究了基于KCF（Kernel Correlation Filter）的目标跟踪算法在六足机器人平台上的应用,设计了自适应跟踪算法实现六足机器人对运动目标的角度跟踪。将运动目标检测及跟踪算法应用于六足机器人系统。实验表明,在六足机器人移动过程中,系统可对运动目标进行精确检测与跟踪。     

增强现实系统的设计与实现

研究了一种基于平面特征的视频动态跟踪方法,通过计算出初始帧图像的虚实坐标之间的单应矩阵,可以计算出任意一帧的虚实坐标之间的单应矩阵,可以实现动态跟踪的目的。在此基础之上设计并实现了基于平面特征的增强现实动态跟踪系统,实现了视频的动态跟踪功能。该增强现实跟踪系统具有实时性好、简单、方便的特点。     

混合视觉系统的运动物体检测和静态地图重建

复杂动态背景环境下的运动物体检测和静态地图重建中容易出现运动物体检测不完整的问题。针对上述问题,提出了一种混合视觉系统下点云分割辅助的运动物体检测方法。首先,提出了直通滤波+随机采样一致性（PassThrough+RANSAC）方法来克服大面积墙壁干扰以实现点云地面点的识别;其次,将非地面点数据作为特征点投射到图像上,并估计其光流运动向量和人工运动向量,从而对动态点进行检测;然后,采用动态阈值策略对点云进行欧氏聚类;最后,整合动态点检测结果与点云分割结果来完整地提取出运动物体。此外,通过八叉树地图（Octomap）工具将点云地图转换为三维栅格地图以完成地图的构建。通过实验结果和数据分析可知,所提方法可以有效提高运动物体检测的完整性,同时重建出低损耗、高实用性的静态栅格地图。     

虚拟场景视点与动态物体交互控制

提出了一种动态物体与视点位置的检测技术,实现了虚拟场景中动态物体的有序运动。建立视点与动态物体之间的运动轨迹向量和动态物体的交互方式,根据两轨迹向量计算两者的位置关系赋予动态物体不同的交互方法来实现虚拟场景中动态物体的有序运动。文章中给出了此方法的具体算法。     

基于动态物体跟踪的语义SLAM

针对传统视觉SLAM在动态场景下容易出现特征匹配错误从而导致定位精度下降的问题,提出了一种基于动态物体跟踪的语义SLAM算法。基于经典的视觉SLAM框架,提取动态物体进行帧间跟踪,并利用动态物体的位姿信息来辅助相机自身的定位。首先,算法在数据预处理中使用YOLACT、RAFT以及SC-Depth网络,分别提取图像中的语义掩膜、光流向量以及像素深度值。其次,视觉前端模块根据所提信息,通过语义分割掩膜、运动一致性检验以及遮挡点检验算法计算概率图以平滑区分场景中的动态特征与静态特征。然后,后端中的捆集调整模块融合了物体运动的多特征约束以提高算法在动态场景中的位姿估计性能。最后,在KITTI和OMD数据集的动态场景中进行对比验证。实验表明,所提算法能够准确地跟踪动态物体,在室内外动态场景中具备鲁棒、良好的定位性能。