室内视频监控中行人目标检测与跟踪方法

为了有效检测和跟踪室内环境下视频监控中的行人目标,本文提出了一种新的行人检测与跟踪算法。检测阶段采用隔帧差分图像法以及自适应闽值分割技术快速检测运动行人;跟踪阶段采用卡尔曼滤波对目标位置进行预测,并利用最小外接矩形框优化匹配搜索。实现运动行人连续跟踪。通过单人、多人交互两组视频序列对算法进行了验证,试验结果表明。本文算法能够较好地处理室内静止背景下单人、多人跟踪,并对目标遮挡有一定的鲁棒性。     

基于OTSU分割和HOG特征的行人检测与跟踪方法

传统的HOG算法针对整幅图像进行行人特征提取,大量的非人窗口计算必然降低检测的准确率和效率。为此,提出一种基于OTSU分割和HOG特征的行人检测与跟踪方法。利用OTSU算法以最佳阈值分割图像,在分割区域的基础上进行Canny边缘检测,通过边缘的对称性计算确定行人候选区,继而采用经PCA方法降维后的HOG特征和隐马尔可夫模型对行人候选区进行检测验证。最后,以确定的行人区域为跟踪窗口,利用CamShift算法跟踪行人。多组实验结果证明,本文方法的行人检测效率和精度均有所提高,跟踪性能稳定、可靠。     

行人跟踪技术综述

行人跟踪是当前机器视觉中非刚性运动目标跟踪领域的热点问题,将这一问题分为行人检测和行人跟踪两大部分,并对其进行了详细介绍。分析了不同的检测和跟踪方法,对行人跟踪中存在的疑难问题进行了总结,最后对行人跟踪问题的研究进行了简单的展望。     

基于似然域背景差分的行人检测和跟踪方法

基于激光雷达的室内机器人行人检测、跟踪容易受到复杂背景的影响。针对这种情况,提出一种基于似然域背景差分的行人检测、跟踪和跟随系统。利用即时定位与地图构建算法获得陌生环境的二维栅格地图,通过蒙特卡洛定位获得机器人在地图中的后验位姿,利用似然域模型分割出前景对应的激光雷达数据后,进行行人的检测、跟踪以及跟随。实验结果表明,该系统使行人检测准确率提升3.49%,平均检测时间缩短近32%,有效降低复杂背景对多行人检测与跟踪的影响,实现机器人对目标行人的实时跟随。     

基于激光雷达的舞蹈机器人室内行人跟踪方法

为使舞蹈机器人根据行人的运动轨迹进行路径的动态规划,增强与人共处的能力,提出一种基于激光雷达的室内行人跟踪方法。获取激光原始数据并进行预处理,根据激光数据的分布特点对DBSCAN算法进行优化,实现激光数据的快速聚类,完成环境分割,给出基于类簇到激光雷达的距离及行人身体宽度的行人识别方法,并将行人簇的位置作为初始跟踪位置,将激光数据图形化显示,激光数据转换成视频数据,利用粒子滤波算法实现行人跟踪并实时绘制轨迹。实验结果表明,该方法能获得较好的行人识别以及跟踪效果,且实时性较强。     

基于可变形部件模型的粒子滤波快速行人检测与跟踪

针对视频中的行人检测和跟踪问题,提出一种基于可变形部件模型的快速行人检测、改进粒子滤波的行人跟踪算法。在行人检测阶段,为了改善非刚体行人的检测精度,采用了混合多尺度可变形部件模型;同时为了加速行人底层特征的计算,采用了基于预测算法的快速特征金字塔计算行人特征,代替传统的计算图像特征金字塔的每一个尺度特征。在行人跟踪阶段,采用时变的状态空间模型和基于颜色梯度直方图的观测模型对检测到的行人进行跟踪。实验证明,改进的行人检测算法可以在性能损失忽略不计的条件下,大大提高检测速度,并且相对于传统的行人跟踪,改进的粒子滤波算法对行人这一非刚性目标能实现较好的跟踪。     

基于局部图块匹配的行人跟踪算法

针对传统行人跟踪算法计算复杂度高的问题,提出一种基于局部图块匹配（local block-graphs matching , LBGM ）的行人跟踪算法。利用摄像机采集视频流帧画面中含有行人的多幅视频图像,按照行人所在的图像区域进行分割;对图块进行数据关联匹配,通过匹配结果完成对行人的检测过程,得到检测的行人集合;针对行人集合,利用损失最小化进行最小偏差的路径预测,实现行人的跟踪过程。选取多相机行人视频（multi-camera pedestrians video ）进行对比实验,实验结果表明,该算法可以有效地跟踪行人,较传统算法有更好的行人检测率和跟踪准确率。     

结合运动信息与表观特征的行人检测方法

提出一种结合运动信息与表观特征的行人检测方法.在对通过表观检测子获得的候选检测窗口执行分割验证的框架中,将运动信息融入到基于图像序列的对象分割算法中,通过获取更准确的分割结果来提高对候选检测窗口的检测准确率.该方法利用运动信息更新运动对象的前景/背景分布模型,将颜色信息间接地融入行人检测中,并通过形状特征表现出来,与行人表观检测子形成互补的特性,获得更好的检测结果.上述结论在CAVIAR视频以及行人检测视频中得到了实验验证.     

复杂背景下的行人检测与分割

传统的目标检测算法在复杂环境下受到背景因素的干扰,分割出来的目标往往不能满足后期处理的需要;由于分割的好坏直接影响后期的目标跟踪的实时性和精确性的高低。鉴于此,在进行图像跟踪和识别之前,先对目标进行检测和精准的分割,提出了在AdaBoost算法中在原始Harr_like特征的基础上添加梯形特征,检测出目标的大致位置,将其作为蛇形分割的初始位置,改进蛇形分割的能量函数,分割的行人边界逐步进行收缩直至能量最小,提取出行人的真正区域。对比性实验表明改进后的算法满足实时性要求和精度要求,在一定程度上达到智能化的需求。     

面向服务机器人的多行人检测与跟踪

服务机器人在给人提供帮助,带来生活便利的同时,需要检测并跟踪行人.然而,环境复杂,多个行人之间存在遮挡等问题,给行人的检测与跟踪带来了挑战.在行人检测方面,本文提出了最近邻方法融合激光人腿检测和Kinect人体检测的结果,有效改善了行人检测的精度和完整性.针对多行人跟踪,本文提出了一种改进的粒子滤波算法对行人的位置和速度进行了估计,克服了传统粒子滤波算法计算量大,重采样阶段粒子贫化的缺点.最后,在实际场景中采用改造的turtlebot机器人进行了测试,并进行了计算机可视化,实验结果证明本文提出的方法具有很好的准确性,实时性和鲁棒性.     

行人轮廓检测算法研究

针对当前流行的汽车行人避碰系统中行人轮廓检测效果不够理想的情况,改进行了人轮廓的检测。利用数学形态学操作方法先对视频图像进行处理,然后利用优选出的Canny算子对行人图像进行边缘检测,再使用曲线拟合技术对行人轮廓进行加工,获取完整的行人轮廓曲线,为行人识别与跟踪奠定坚实的基础。试验结果表明,该方法能有效地去除行人轮廓的干扰因子和孤岛,获得较为完整的行人轮廓曲线。     

基于多摄像头的行人视频运动目标检测算法研究

为了解决单摄像机在目标视频运动中提取信息时存在的缺陷性,提出了基于多摄像头的行人视频运动目标检测追踪算法研究,首先以Kalman滤波理论为基础,对Kalman滤波的运动目标跟踪算法的迭代过程、基本方程进行了分析,从而能预测出下一帧中目标所处的位置及范围,并进行Camshift运算;然后再分析了Camshift与Kalman结合算法;最后,为了进一步检测方法的有效性,对多摄像头的视频运动目标追踪Kalman滤波与Camshift结合算法进行了实验,实验结果表明：该方法能有效的解决遮挡视线问题,比传统的方法,其准确度更高,降低了目标跟踪丢失率,具有较强的鲁棒性。     

基于多摄像头的行人视频运动目标检测算法研究

为了解决单摄像机在目标视频运动中提取信息时存在的缺陷性,提出了基于多摄像头的行人视频运动目标检测追踪算法研究,首先以Kalman滤波理论为基础,对Kalman滤波的运动目标跟踪算法的迭代过程、基本方程进行了分析,从而能预测出下一帧中目标所处的位置及范围,并进行Camshift运算;然后再分析了Camshift与Kalman结合算法;最后,为了进一步检测方法的有效性,对多摄像头的视频运动目标追踪Kalman滤波与Camshift结合算法进行了实验,实验结果表明:该方法能有效的解决遮挡视线问题,比传统的方法,其准确度更高,降低了目标跟踪丢失率,具有较强的鲁棒性。     

低视角红外图像行人监控的光流分析

光流法是运动目标检测的重要方法,在对运动目标参数的估计和跟踪方面有着重要的应用。红外图像的噪声相对比较大,对比度较低,光流法很少用于红外图像的目标的运动检测,特别是行人的检测。本文将光流法用于红外图像的行人监控,检测行人运动速度的大小和方向,并针对低视角情况下存在的由远近效应造成的误差,提出了一种低视角理想情况下行人光流分析的补偿方法,并对实验数据进行了测试,实验结果证明经该方法改进后的光流更符合实际情况。     

基于时间序列模型的粒子滤波行人跟踪算法研究

针对行人运动的随机性导致运动状态模型适应性差和人在行走过程中可能发生短时全部或局部遮挡导致行人跟踪算法精度较低的问题,提出基于时间序列模型的粒子滤波行人跟踪算法;建立了行人运动时间序列模型;给出了基于对视频序列初始帧的检测,确定行人的位置、宽高等作为跟踪先验信息的方法;由先验信息计算加权颜色直方图构建初始粒子群分布,并利用时间序列运动模型预测粒子在下一时刻的状态分布,并更新粒子权值;根据有效粒子的个数判断是否进行重采样;最后由所有粒子的加权和估计行人的运动状态;仿真实验表明:文中提出根据行人的运动轨迹时间序列运动模型可使行人的状态估计更准确,预测误差进一步减小,预测精度得到了提高.     

自适应车流方向的跨道行人检测

针对视频交通事件监控中的行人检测问题,提出一种自适应车流方向的跨道行人检测算法。利用运动历史图像计算画面中物体的运动方向,通过学习获得运动参考方向场,并对运动目标进行跟踪。依据参考方向场分析其轨迹的走向,以确定运动目标是否发生跨道行为。实验结果表明,该算法能适应车流方向并有效检测跨道行人,具有较好的实时性和较高的检测成功率。     

交通信息采集系统中的行人检测算法

根据高速公路行人运动的先验知识,设计了一种基于视频检测技术的高速公路行人检测算法.该算法采用背景帧差分法获取运动目标区域,采用跟踪链实现运动目标跟踪,根据行人运动的先验知识在运动目标中检测行人.算法已嵌入到交通信息采集系统中,在高速公路上进行的现场测试结果表明,算法具有较好的实时性和实效性.     

融合先验知识的自适应行人跟踪算法

在实际监控场合中,行人的运动有着诸多不确定性,这些会对现有的跟踪算法产生干扰,从而造成跟踪丢失.基于此,文中提出一种将行人检测的先验知识融入到跟踪模型自学习过程的行人跟踪算法.首先通过离线训练,得到具有较强区分能力的子分类器集,这些子分类器蕴含了对于行人的先验知识.在跟踪过程中,使用online boosting算法从离线训练的子分类器集中学习并更新强分类器,对被跟踪行人进行动态建模.实验结果表明,该算法有效缓解算法自适应性与"漂移"之间的矛盾,能够在真实监控场合下跟踪具有复杂运动的行人.     

密集人群场景下的行人检测与跟踪

针对日常户外高密度遮挡人群,本文提出一种基于行人头部检测的高效、鲁棒的多人跟踪方法。由于高密度人群的遮挡问题严重,因此提取背景的方法不可行。通过基于Haar-like特征的Viola-Jones分类器对视频中行人的头部正面进行检测,同时通过基于头部轮廓特征的Logistic回归对视频中行人的头部背面进行检测。确定行人的头部位置后,提取基于颜色直方图的头部特征,最后使用粒子滤波跟踪行人的头部。实验表明本方法能够高效地跟踪高密度遮挡的人群。     

深度学习及时空约束的行人跟踪算法研究

由于以往的行人跟踪方法大部分不能有效地解决目标被遮挡后以及目标尺寸变化再跟踪的问题,所以引入了深度学习的方法,但是经实验发现单纯使用深度学习行人跟踪会因行人检测部分的误差而出现整体的跟踪准确率不高的问题。提出了一种基于深度学习和时空约束后处理的行人跟踪方法,深度学习的行人检测部分采用了根据实际应用场景优化过的SSD算法,行人匹配部分采用了一种计算交叉输入领域差异然后进行块总结的方法,最后进行时空约束的后处理。在OTB数据集上做实验,与传统跟踪算法以及单纯深度学习算法进行了对比。