基于序列图像的人体跟踪算法研究综述

为了综述目前基于序列图像的人体跟踪算法的研究现状,将人体跟踪问题分为人体运动目标检测与跟踪两部分分别加以讨论,系统地总结和介绍了目前人体检测与跟踪算法的研究技术和最新进展,比较了各种跟踪方法的优劣并总结了跟踪方法常用的搜索策略.针时人体跟踪算法中的难点问题进行了专门讨论,通过总结近几年相关文献对人体跟踪算法研究方向进行了展望.     

运动目标检测与跟踪算法的研究进展

运动目标检测与跟踪技术有着广泛的应用,但由于检测和跟踪过程容易受外界环境的干扰而造成失败,因此改进运动目标检测和跟踪算法具有重要意义。本文分类介绍了运动目标检测与跟踪算法的研究现状以及常用算法,比较了各种算法的优缺点,阐述了该课题许多尚未完全解决的问题,并对该领域未来的发展趋势进行展望。     

利用视觉显著性和粒子滤波的运动目标跟踪

针对运动目标跟踪问题,提出一种利用视觉显著性和粒子滤波的目标跟踪算法.借鉴人类视觉注意机制的研究成果,根据目标的颜色、亮度和运动等特征形成目标的视觉显著性特征,与目标的颜色分布模型一起作为目标的特征表示模型,利用粒子滤波进行目标跟踪.该算法能够克服利用单一颜色特征所带来的跟踪不稳定问题,并能有效解决由于目标形变、光照变化以及目标和背景颜色分布相似而产生的跟踪困难问题,具有较强的鲁棒性.在多个视频序列中进行实验,并给出相应的实验结果和分析.实验结果表明,该算法用于实现运动目标跟踪是正确有效的.     

基于计算机视觉的运动目标分析

在计算机里面,所谓的计算机视觉的运动目标分析,就是对视频里面的运动目标进行跟踪检测,并对目标进行研究分析,而检测与跟踪是对分析目标和理解目标行为的基础,因此需要重视其中的目标.本文通过计算机视觉分析了跟踪与检测目标等问题,从而为检测和和跟踪视觉运动目标的算法做出重大意义.     

基于Bhattacharyya系数的由粗到精的核匹配搜索方法

均值漂移算法是一种高效的模式匹配算法.在传统的均值漂移方法基础上,本文针对运动范围较大的目标跟踪问题进行研究,提出一种基于Bhattacharyya系数的由粗到精的核匹配搜索方法.该算法能够有效利用相似性度量函数Bhattacharyya系数在实现对运动目标初始的粗定位情况下,利用均值漂移方法进行迭代求解局部最优值,从而实现目标的精定位,成功实现大范围运动目标的跟踪.实验结果验证该算法在跟踪精度和速度上均优于传统方法.     

基于孪生网络的目标跟踪算法综述

孪生网络是由2个或多个人工神经网络建立的耦合框架，因其将回归问题转换为相似度匹配问题，备受计算机视觉领域的研究人员关注。随着深度学习理论的快速发展，目标跟踪技术在生活中得到了广泛的应用。基于孪生网络的目标跟踪算法以其相对优越的准确率和实时性逐渐代替了传统的目标跟踪算法，成为目标跟踪的主流算法。首先，介绍了目标跟踪任务面对的挑战和传统方法；然后，介绍了孪生网络的基础结构及其发展，汇总了近年来基于孪生网络的目标跟踪算法与相应设计原理；另外，介绍多个用于目标跟踪测试的主流数据集，并基于这些数据集对比了基于孪生网络的目标跟踪算法的性能；最后，提出基于孪生网络目标跟踪算法目前存在的问题及对未来的展望。     

交互式多模型算法的MT-R机器人视觉跟踪

针对机器人的视觉跟踪问题,提出了一种基于交互式多模型算法的视觉跟踪方法。该方法采用HSV颜色模型,通过交互式多模型算法进行滤波估计,获得目标的运动属性。利用交互式多模型算法对目标的位置进行一步或者N步预测,在获得下一帧的观测值后,在预测位置的区域进行目标搜索,可减少搜索区域,节省搜索时间,增加了跟踪的实时性。使用该方法对机器人足球比赛中的红色球进行搜索跟踪。实验结果表明,应用该方法可获得目标的运动属性,能快速搜索到运动目标,并能进行准确跟踪。     

基于双目视觉的运动目标跟踪与测量

在研究融合运动目标位置预测的Mean Shift跟踪算法和双目立体视觉中的空间点定位算法的基础上,基于双目视觉设计了双目立体视觉运动目标跟踪和测量系统,并在所进行的跟踪与测量实验中,提取了运动目标质心的三维坐标序列,实现了对目标深度和速度的测量。     

基于视觉显著性的均值漂移跟踪算法

为解决突变运动下的目标跟踪问题,提出了一种基于视觉显著性的均值漂移跟踪算法,将视觉注意机制运用到均值漂移跟踪框架中,利用时空显著性算法对视频序列进行检测,生成视觉显著图,从视觉显著图对应的显著性区域中建立目标的颜色特征表示模型来实现运动目标跟踪.实验结果表明:该算法在摄像机摇晃等动态场景下可以较准确检测出时空均显著的目标,有效克服了在运动目标发生丢失和遮挡等情况下跟踪不稳定的问题,具有较强的鲁棒性,从而实现复杂场景下目标较准确的跟踪.     

基于视觉感知的运动目标跟踪算法

针对运动目标跟踪问题, 为解决跟踪过程中因遮挡、目标尺度变化等易造成跟踪失败的现象, 提出一种基于视觉感知的跟踪算法。该算法以神经元响应为视觉特征, 首先从自然图像中学习初级视皮层细胞感受野; 然后计算背景图像和视频序列图像的神经元响应并得出差值, 与动态阈值比较, 识别出运动目标, 通过迭代实现目标跟踪。多类别实验结果表明, 该算法实现了运动目标稳定跟踪, 目标跟踪准确率达93. 5%且鲁棒性增强, 与典型算法Camshift和SIFT相比, 提高了跟踪算法的准确性和鲁棒性。     

基于SAD与UKF-MeanShift的主动目标跟踪

针对复杂场景下动态目标难以准确分割以及目标难以准确定位的问题,提出将绝对差值和(SAD)方法、无迹卡尔曼滤波(UKF)和Mean shift算法相结合的混合自主跟踪动态目标的方法。首先,采用SAD方法获相邻两帧的视差信息,利用视差实现动态目标的检测,并依此建立目标的核直方图描述模型和状态空间模型,然后UKF算法对状态空间进行滤波估计,最后采用Mean shift 算法精确定位目标。实验结果表明该方法不仅能有效检测场景的动态目标,同时还能获得目标的运动信息。文中所提出的基于UKF-Mean shift的跟踪策略与相关算法相比,体现出较好的跟踪效果与时间性能。     

面向小运动目标的压缩域跟踪方法

压缩域跟踪是直接从压缩码流中提取运动矢量和块编码模式来实现目标对象的跟踪.针对现有压缩域跟踪方法对小运动目标跟踪性能较差的问题,本文提出了一种面向小运动目标的压缩域跟踪算法.在分析现有算法不足原因的基础上,本文从起始帧掩模的获取、离群值边界的设置和预测跟踪小目标的边缘控制三个方面提升小目标跟踪的性能,并通过数据驱动的方法寻找到块编码感知的系统参数优化.所提算法在三个小目标视频序列上进行了测试,实验结果表明,与其它压缩域跟踪算法相比,本文算法可以有效地提高小运动目标跟踪的准确率和F度量.     

基于大数据分析的移动对象轨迹预测方法

对移动对象的轨迹预测将在移动目标跟踪识别中具有较好的应用价值。移动对象轨迹预测的基础是移动目标运动参量的采集和估计,移动目标的运动参量信息特征规模较大,传统的单分量时间序列分析方法难以实现准确的参量估计和轨迹预测。提出一种基于大数据多传感信息融合跟踪的移动对象轨迹预测算法。首先进行移动目标对象进行轨迹跟踪的控制对象描述和约束参量分析,对轨迹预测的大规模运动参量信息进行信息融合和自正整定性控制,通过大数据分析方法实现对移动对象运动参量的准确估计和检测,由此指导移动对象轨迹的准确预测,提高预测精度。仿真结果表明,采用该算法进行移动对象的运动参量估计和轨迹预测的精度较高,自适应性能较强,稳健性较好,相关的指标性能优于传统方法。     

智能视觉监控中的目标检测与跟踪技术

介绍了智能视觉监控中运动目标的检测与跟踪过程所涉及的各项关键技术,主要包括目标提取、阴影检测、目标分割和目标跟踪等。对各项技术的基本原理和主要实现方法进行了分析和总结,并指出了各种方法的特点、存在问题及解决方案。     

Optimal Representative Blocks for the Efficient Tracking of a Moving Object

Optimal representative blocks are proposed for an efficient tracking of a moving object and it is verified experimentally by using a mobile robot with a pan‐tilt camera. The key idea comes from the fact that when the image size of a moving object is shrunk in an image frame according to the distance between the camera of mobile robot and the moving object, the tracking performance of a moving object can be improved by shrinking the size of representative blocks according to the object image size. Motion estimation using edge detection (ED) and block‐matching algorithm (BMA) are often used in the case of moving object tracking by vision sensors. However, these methods often miss the real‐time vision data since these schemes suffer from the heavy computational load. To overcome this problem and to improve the tracking performance, the optimal representative block that can reduce a lot of data to be computed is defined and optimized by changing the size of the representative block according to the size of object in the image frame. The proposed algorithm is verified experimentally by using a mobile robot with a two degree‐of‐freedom active camera. © 2004 Wiley Periodicals, Inc.     

基于最大似然准则Hausdorff距离的跟踪算法

针对视频处理中运动物体的检测和跟踪问题,提出一种基于最大似然准则Hausdorff距离的目标跟踪算法,首先利用基于GVF的Snake方法获得物体模型;然后采用基于最大似然准则的Hausdorff距离匹配后续帧中的目标,搜索策略采用类似于Rucklidge提出的多分辨率搜索方法,在不影响搜索成功率和目标定位精度的情况下, 可以显著地缩短搜索时间;最后使用Snake方法完成运动物体的轮廓更新.实验表明该方法可以较好地跟踪刚性和非刚性物体,同时对部分被遮挡的目标也有良好的跟踪效果.     

基于局部模型匹配的目标轮廓跟踪

在复杂背景下,传统轮廓跟踪方法会发生漂移,甚至丢失目标。针对上述问题,提出一种基于局部模型匹配（LMM）的目标轮廓跟踪算法。利用超像素技术结合EMD相似性度量构建局部特征模型,从而进行局部模型匹配。结合粒子滤波的Snake模型作提取目标轮廓,实现目标轮廓精确跟踪。实验结果表明,该算法在目标形变、部分遮挡、复杂背景等条件下均具有较高的跟踪成功率。与多种目标轮廓跟踪算法进行对比,该算法具有较高的准确性和鲁棒性。     

改进的高效Camshift跟踪算法

Camshift是一种应用颜色信息的跟踪算法,它对做加速度的运动物体跟踪效果不够稳定和强壮,从准确预测目标位置及缩小目标搜索范围入手对Camshift算法进行了改进。该算法使用运动目标加速度运动位移方程预测下一时刻目标可能出现的位置,使用预测位置误差方程估计运动目标搜索范围,并使用IIR滤波器对目标运动速度、加速度等参数自适应地修正。实验证明,改进的Camshift有效地克服了Camshift算法自身的缺陷,即使运动目标做加速运动时,也可准确地预测运动目标的位置,缩小目标搜索范围,进而提高目标跟踪速度。     

基于活动状态预测与分类的多目标跟踪

固定单摄像机多目标跟踪的难点在于对多目标互相遮挡情况的处理。针对此问题，本文提出一种基于活动状态预测与分类的多目标跟踪算法，并通过对数字视频中多人的跟踪对算法进行测试。通过对实际情况的分析总结将目标活动状态分为六类，利用卡尔曼滤波对遮挡的预测信息，结合区域匹配信息对目标的活动状态进行归类。最后，通过采用
用不同的目标定位及模板更新策略处理不同活动状态的目标，达到跟踪的目的。实验证明，对目标的分类处理使算法对多目标跟踪具有较好的适应性和准确性。     

基于粒子滤波和背景减除的多目标检测与跟踪算法

大多数应用于视频监控领域的目标跟踪模式识别方法,都需要先对移动目标进行模式学习。但是,这些方法不适合同时跟踪多个不同的目标,因为每一个移动目标的模式都应该是预先确定好的。因此,提出了一种新的基于粒子滤波和背景减除的无监督多运动目标检测与跟踪方法来解决这个问题。该方法能够自动探测和跟踪许多移动目标,没有任何学习阶段,也没有任何关于大小、性质或初始位置的先验知识。对多个视频测试集进行了实验验证,测试结果表明,该方法可以成功地处理复杂情况下的目标跟踪。与其他方法进行比较,结果显示提出的方法检测以及跟踪目标性能更好。