无人机编队视频序列中的多目标精确跟踪

针对无人机编队视频序列中的多目标精确跟踪的要求,使用STK三维建模软件模拟无人机编队飞行视频,通过双差分图像操作、多分辨率连通分支标记算法确定图像中的运动区域.提出了一种改进的贪婪算法,利用已确定的矩形运动区域作为初始轮廓,实现对无人机目标的精确轮廓提取.以运动区域的中心位置为输入,建立在线卡尔曼滤波器组对多目标进行跟踪,并由此提出了如何对多目标中的遮挡问题进行判定、分割的方法.仿真实验验证了文中提出的方法.     

基于统计模型和活动轮廓的运动目标检测与跟踪

提出了一种静止背景视频序列中运动目标的检测与跟踪方法.对连续两帧图像序列作差分计算,对差分图像的灰度分布建立混和高斯模型(GMM),采用期望最大化(EM)算法估计模型参数,并引入基于GMM模型的边界检测算子,进而构造运动边界图像.改进静态图像轮廓提取算法GVF-Snake,利用运动边界图像修改GVF-Snake的能量项,使其能够提取视频序列中运动目标的轮廓.采用一种根据目标区域自动初始化轮廓的方法解决Snake初始轮廓需要手工设定的问题,采用一阶差分预测算法加快轮廓收敛速度.利用改进的GVF-Snake算法对运动目标进行检测与跟踪,结果表明,该算法对刚性和非刚性两类目标都具有较好的检测与跟踪效果.     

局部背景边缘干扰下运动视频完整轮廓检测方法

针对传统相邻帧差算法在对轮廓检测过程中无法有效解决局部背景边缘干扰的问题,提出基于高速并行细化算法的运动视频完整轮廓检测方法.基于Sobel算子对运动视频轮廓进行粗检测,通过形态学后处理对粗检测获取的运动视频目标轮廓进行腐蚀运算,过滤其中的噪声,使图像边缘向内紧缩;采用两次膨胀处理恢复并增强运动视频目标图像的连通区域,引入高速并行细化算法对图像进行细化处理,采集图像骨架,并获取线条平滑的完整运动视频目标轮廓图像.结果表明,所提方法检测出的运动视频目标轮廓更为完整、清晰,并且检测效率高.     

一种快速红外人体轮廓跟踪算法

为实现红外图像序列中人体轮廓的精确跟踪,提出了一种基于快速水平集的新算法.首先,在目标区域及其邻近背景区域带上,而不是在整个图像平面上,采用模式分类中的最近邻决策思想来构建快速水平集算法的速度函数;然后,采用基于动态邻近区域的快速水平集来演化目标边界曲线以实现目标的轮廓跟踪.实验结果表明,该算法能适应目标尺度的变化、目标的分裂或合并,并获得人体的精确轮廓.     

一种基于二维网格的自动视频对象分割及跟踪方法

提出了一种基于二维网格的自动视频对象分割及跟踪方法。该方法首先检测图像中的特征点，然后将特征点分为运动和静止两类，再提取、构造粗糙运动对象轮廓，再进一步得出较精确的运动对象边缘，最后跟踪分割出的运动对象，实验证实算法是有效的。     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

一种视频图像中运动目标检测方法研究

针对序列图像中的运动目标检测问题,在独立分量分析的基本理论和算法的基础上,提出采用基于正交对称矩阵的快速定点算法对实际视频图像中的运动目标进行运动检测的方法。实验结果表明:该方法不仅能检测运动轨迹,还能提取运动目标的轮廓,并判断运动方向,是一种有效的运动目标检测方法。     

基于图像矩信息的CamShift视觉跟踪方法

为了适应视觉跟踪过程中目标形态的变化,使用核密度估计对视频序列中的运动目标进行色彩分布建模,运用CamShift算法进行跟踪,并结合图像矩信息确定目标区域.采用全局更新策略对目标色彩分布模型进行实时更新,进一步提高了跟踪的准确性.实验结果表明,该方法对目标在平移、旋转、局部遮挡等不同运动条件下均可实现稳定的跟踪,克服了尺度变化对跟踪带来的影响,是一种鲁棒性较强的跟踪算法.     

基于粒子滤波的目标主动轮廓跟踪算法

传统的粒子滤波方法采用若干维参数定义的简单几何图形给出跟踪结果,不能精确表示现实中具有复杂形状的目标物体。针对这一问题,该文提出基于粒子滤波的主动轮廓算法,用于计算复杂形状目标的轮廓跟踪任务。在目标状态后验分布的模拟样本基础上引入主动轮廓模型,并使用带权粒子定义其能量函数,使得模型的轮廓线向具有重要权重粒子的所在区域演化,并最终收敛到具有最大目标似然的图像区域,从而实现对目标物体的全局运动及局部形态演化的同时估计。精确的目标区域提高了目标模型的更新精度,避免了跟踪中漂移现象的发生。最后,结合真实机场监控验证了该方法在实际复杂场景下的有效性及鲁棒性。     

基于DSP与FPGA的靶标动态检测跟踪技术

针对靶场目标测试面临的测量目标小、距离远、目标与背景对比度低等实际问题,提出了基于DSP（Digital Signal Processing）与FPGA（Field Programmable Gate Array）的数字视频图像信息进行目标动态检测跟踪的方法。该方法采用了图像分割检测方法与目标跟踪算法,精确并快速地定位靶标十字的中心,从而实现复杂环境下运动靶标检测跟踪,提高了检测效率和精度。     

一种目标轮廓跟踪的UPF方法

针对通用目标轮廓跟踪中CONDENSATION粒子算法的不足，提出一种轮廓跟踪的Unscented Particle Filter（UPF）方法。通过将Unscented卡尔曼滤波器与粒子滤波的结合，并实时考虑观测值，可以精确地、实时地跟踪目标区域。通过人脸跟踪结果表明，该方法对背景干扰具有很强的鲁棒性。     

基于快速扩展随机树算法的多无人机编队重构方法研究

为适应瞬息万变的战场环境,发挥多无人机不同队形下的作战优势,以快速扩展随机树(RRT)算法为基础,提出一种多无人机编队重构的方法。首先建立多无人机编队的运动模型,分析传统RRT算法与编队重构方法结合的可行性,并采用多余节点去除和构造过渡航迹等策略对航迹进行修正。之后,重点分析重构过程中的动力学及防碰撞等约束,为随机树的扩展和无人机的航迹变换提供依据。最后通过对比仿真和飞行试验,验证所提重构方法的安全性和可行性。结果表明,该重构方法能在复杂环境下快速实现编队重构,同时所规划的航迹利于无人机进行跟踪,可满足实际战场的飞行需求。     

SNAKE初始模型及其改进算法的研究

SNAKE模型主要应用在医学图像，运动跟踪，形状识别等领域．文中阐述了在视频摄像中运动物体轮廓跟踪的方法及其改进算法．首先由用户在感兴趣的物体附近指定其初始轮廓，随后该轮廓曲线会进化并锁住物体的边缘．一旦初始轮廓获得之后，后继帧中该物体的运动轨迹即奇被跟踪且不需要用户再输入任何参数．     

适用于目标跟踪的加权增量子空间学习算法

为了克服目标物外观变化给跟踪造成的困难,提出一种基于加权增量子空间学习的目标跟踪算法.该算法构造了一个可在线更新的子空间作为视频中目标物的外观模型,根据概率转移模型预测得到一组图像样本作为目标物在当前帧中可能出现的图像区域;然后将图像样本投影到该低维子空间中估计每个图像样本为目标图像区域的似然度,以具有最高似然度的样本作为目标在当前帧中的图像区域,通过加权增量的方式调整子空间.实验结果表明：相比基于其他增量子空间学习的跟踪算法,该算法能够稳定、准确地对运动目标进行跟踪.     

多水平集和差分相乘的运动目标轮廓模型的研究

针对现有目标轮廓提取方法存在收敛速度慢、效率较低以及对初始位置和噪声都很敏感等问题,提出了一种差分相乘与参数多水平集主成分Chan-Vese模型相结合的新模型.该方法首先利用4帧相邻图像进行差分相乘,抑制绝大部分的背景边缘,再进行滤波预处理,最后通过多水平集与Chan-Vese模型结合的改进模型提取运动目标轮廓.对大量视频图像进行实验分析后的结果表明,在具有多个目标的视频图像下,该方法能更加快速准确地提取出每个完整的运动目标轮廓,较好地解决了现有方法在多个运动目标轮廓提取以及轮廓凹陷上的缺陷.     

多视频运动对象实时分割及跟踪技术

利用帧间差异积累信息进行自适应背景建模, 采用背景差的方法检测视频运动对象区域. 设计了一种变系数的空域滤波器, 有效地对背景差图像进行了增强, 使获得的视频运动对象区域更具有空域连通特性. 给出了一种改进的基于Otsu法的自适应阈值化方法, 能更准确地对背景差图像进行阈值化. 采用形态学边界提取技术对视频运动对象轮廓进行提取. 在获得视频运动对象轮廓的基础上, 用区域生长法对视频运动对象进行定位, 将矩形中心坐标视为视频运动对象的质心坐标. 用基于空间欧氏距离最短的方法对每个视频运动对象质心进行关联跟踪并绘制轨迹. 试验结果表明, 该方法实时有效.     

SURF算法及其对运动目标的检测跟踪效果

视频图像的特征点提取和描述是智能交通系统中运动目标跟踪的一项关键技术。由于场景的复杂性、环境的变化以及目标运动的影响,Harris角点检测算法和尺度不变特征变换（SIFT）算法的精度和稳定性都不够,而加速鲁棒特性（SURF）算法具有很强的鲁棒性,运算速度比Harris角点检测算法和SIFF算法有明显提高。应用SURF算法对视频图像进行特征点提取和匹配,并结合聚类分析和卡尔曼滤波对匹配的目标进行跟踪。实验表明,SURF算法对亮度变化具有很强的鲁棒性,并且速度比较快。     

基于BP_Adaboost的目标跟踪算法应用研究

BP神经网络对目标跟踪时,由于其学习效率低及易于陷入局部极小的缺陷影响了跟踪算法的准确性。为提高BP神经网络跟踪模型的准确性,将Adaboost算法和BP神经网络相结合,提出了一种BP_Adaboost神经网络跟踪模型。通过Adaboost算法得到多个BP神经网络弱分类器组成的强分类器跟踪模型,将该模型应用于视频运动目标跟踪进行有效性验证。实验结果分析表明．该方法对运动目标能够准确地进行跟踪．大大提高跟踪算法的兽椿性．     

自适应背景恢复差减算法

针对视频图像进行目标分割时,只对目标区域进行分析而未充分利用视频图像中的所有信息,本文提出了基于自适应背景恢复的差减算法。该算法可在背景未知的情况下,对任意运动目标都能实时、有效地进行自动分割。     

基于OpenCV的运动目标检测与跟踪

提出了一种基于OpenCV的视频应用程序的开发方法。将Intel公司开放的OpenCV源代码作为开发的视频应用程序的基础函数库,改写或调用其中的函数,可根据需要用C＋＋语言开发视频应用程序,从而克服了视频应用程序开发周期长、效率低的缺点。给出了部分OpenCV具体的设置方法和过程,并通过利用OpenCV编写的运动目标检测与跟踪的应用程序验证了该方法的有效性和可行性。对图像进行形态学去噪、平滑滤波处理和二值化阈值分割等图像预处理,获得二值化黑白图像。通过轮廓提取和跟踪检测得到车辆和人的外轮廓,进而实现运动目标的跟踪。在VC＋＋6.0环境下,利用OpenCV编程实现了此方法。实验结果表明,该方法可行。