复杂背景下运动点目标的检测和跟踪

为了解决复杂背景下运动点目标的检测和跟踪问题,本文提出了一种基于图像差分和聚类的运动目标检测和跟踪算法.该算法首先根据图像配准的方法,对序列图像进行差分运算,提取出候选的运动目标.在此基础上,利用运动目标在空间和时间上的相关性以及运动目标的轨迹所具有的连续性,采用一种特殊的聚类方法,从噪声环境中正确检测出运动目标的轨迹,并实现对运动目标的跟踪.实验表明该算法能快速检测出复杂背景下的运动点目标,并能有效处理轨迹相交和检测过程中出现新目标的情况.     

基于序列检验和Viterbi的检测前跟踪算法

针对弱小目标的检测跟踪问题,提出了一种基于序列检验和Viterbi的检测前跟踪算法;将雷达扫描区域进行划分后,在方位-距离-多普勒平面内联合处理回波信号,为了搜集目标驻留时间内的散射能量,可以通过Viterbi算法搜索连续扫描时允许的目标转移状态,最后通过序列检测做出判决;序列检验可以解决目标检测过程中时延较大的问题,Viterbi算法用来获取检测统计量及目标的轨迹;仿真结果表明,该算法对高速运动的目标具有良好的检测与跟踪性能.     

联合加权重构轨迹与直方图熵的异常行为检测

为解决多目标打斗、抢劫等异常行为检测精度不高的问题,提出一种联合加权重构轨迹与直方图熵的异常行为检测算法。首先,采用背景相减法结合宽高比提取行人目标;然后将卡尔曼滤波器及HOG特征融入时空上下文算法中,实现短时间内被完全遮挡行人的鲁棒跟踪;最后对跟踪轨迹进行训练,构造正常行为字典并稀疏重构待检测轨迹,通过联合加权最小重构残差和直方图熵,实现对异常行为的有效检测。通过对比实验,表明该算法对于打斗和抢劫等异常行为具有较好的检测效果,在静态背景且无遮挡的情况下,检测率可达92%以上。     

联合特征融合和判别性外观模型的多目标跟踪

目的 针对基于检测的目标跟踪问题,提出一种联合多特征融合和判别性外观模型的多目标跟踪算法。方法 对时间滑动窗内的检测器输出响应,采用双阈值法对相邻帧目标进行初级关联,形成可靠的跟踪片,从中提取训练样本;融合多个特征对样本进行鲁棒表达,利用Adaboost算法在线训练分类器,形成目标的判别性外观模型;再利用该模型对可靠的跟踪片进行多次迭代关联,形成目标完整的轨迹。结果 4个视频数据库的目标跟踪结果表明,本文算法能较好的处理目标间遮挡、目标自身形变,以及背景干扰。对TUD-Crossing数据库的跟踪结果进行了定量分析,本文算法的FAF(跟踪视频序列时,平均每帧被错误跟踪的目标数)为0.21、MT(在整个序列中,有超过80%视频帧被跟踪成功目标数占视频序列目标总数的比例)为84.6%、ML(在整个序列中,有低于20%视频帧被跟踪成功目标数占视频序列目标总数的比例)为7.7%、Frag(视频序列目标真值所对应轨迹在跟踪中断开的次数)为9、IDS(在跟踪中,目标身份的改变次数)为4; 与其他同类型多目标跟踪算法相比,本文算法在FAF和Frag两个评估参数上表现出色。结论 融合特征能对目标进行较为全面的表达、判别性外观模型能有效地应用于跟踪片关联,本文算法能实现复杂场景下的多目标跟踪,且可以应用到一些高级算法的预处理中,如行为识别中的轨迹检索。     

基于质心迭代算法的安瓿药液杂质跟踪检测

针对基于旋转急停法的安瓿药液杂质跟踪检测效率和准确性低的问题,提出一种采用质心迭代算法实现运动目标的跟踪设计方法。利用交互方差系数估计背景提取运动目标,采用非核非参数的质心迭代算法对运动目标进行跟踪,并根据运动目标的轨迹排除气泡干扰,判断杂质的存在情况。对算法基于Matlab平台进行仿真,结果表明:此算法具有高效、高准确率、易实现等特点,适用于安瓿药液杂质的在线检测。     

视频序列中基于均值漂移的运动目标跟踪的研究

随着数字图像处理与计算机视觉技术的发展,运动目标跟踪检测在监控安保、机械避障与遥感图斑自动识别等领域被广泛应用。本文基于均值漂移算法,探究复杂条件下的运动目标跟踪问题,并针对该算法存在的优势与不足进行了深入分析,通过引入自适应原理与Kalman滤波算法,降低在均值漂移运算时迭代次数,实现短暂遮挡情况下的组合式运动目标跟踪。     

基于TLD改进的自动人体检测与实时跟踪算法

首先提出一种运动人体检测算法,通过图像序列识别出运动人体作为跟踪目标,然后在TLD算法中引入目标轨迹预测,利用该信息来辅助空间搜索。运动人体检测算法首先采用背景减除和边缘检测算法获得完整目标轮廓,然后使用HU仿射不变矩检测出运动人体,该特征能适应目标旋转、尺度、仿射等变化场合。为提高跟踪实时性,在TLD框架中引入卡尔曼轨迹预测,并先在预测位置邻域搜索。实验结果表明,该运动人体检测算法能够在静态和动态背景下准确地检测出运动人体;改进后的TLD算法与原始算法相比,在准确率不降低情况下,降低了计算复杂度。     

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。     

一种基于Mean Shift的快速跟踪算法

针对Mean Shift算法难以跟踪快速运动目标、算法迭代次数多以及耗费时间长的问题,提出了一种基于Mean Shift的快速运动目标检测方法,该方法结合帧差法并融合背景信息来快速检测运动目标;同时提出一种新的相似性度量方法进行初步检测,排除干扰并快速选出符合标准的目标以进行Mean Shift匹配,找出最佳目标。该方法不仅减少了传统方法的迭代次数,缩短了算法所需时间,而且在跟踪实验中取得了较好的跟踪效果,提升了算法的鲁棒性。     

执行器约束下基于数据驱动的参数化前馈控制器设计

针对执行器约束下非重复性点到点运动的轨迹跟踪问题, 提出了一种在执行器约束下基于数据驱动的参数化输入整形滤波器和前馈控制器优化设计算法. 首先对输入整形滤波器以及前馈控制器进行参数化, 然后在目标函数中加入控制信号变化量与控制信号能量的约束, 再采用基于数据驱动的迭代寻优算法得到最优参数, 在该参数下可以实现满足执行器约束条件下的运动控制系统轨迹最优跟踪性能. 并且由于采用了前馈参数化设计方法, 在点到点轨迹发生变化时所提出算法依然能够保持良好的轨迹跟踪性能. 仿真与实验结果表明在执行器约束下所提出算法能够实现最优点到点轨迹跟踪性能, 并且对非重复性点到点轨迹跟踪具有一定的鲁棒性.     

视频图像中乒乓球的检测与跟踪方法

改进了混合高斯模型的差分实现方法.分析、实验并对比了三种典型的运动目标检测方法,确定运动目标的检测方法为基于混合高斯模型的背景差分方法,在程序实现上,将滤波和数学形态学方法很好的应用到检测过程中,与传统的高斯检测相比,取得了更完整的检测结果和更光滑的边界.通过算法分析,采用卡尔曼预估算法并进行实验仿真,实现了对运动物体...     

恒虚警率PDAF的弱点状目标跟踪技术性能分析

PDAF与PDAF-AI算法广泛应用于雷达目标检测与微弱点状目标跟踪领域,两者不同之处在于PDAF-AI算法在利用目标位置、运动速率的基础上多加了目标的亮度信息通过Kalman滤波器去估计目标下一时刻的状态。PDAF-AI改变了传统PDAF算法忽略目标亮度信息的不足,它应具有更好的跟踪性能。通过对这两种算法跟踪性能的对比分析研究：带亮度的概率数据关联滤波器技术PDAF-AI总体上比传统的PDAF技术具有更好的实时跟踪性能,然而在强杂波或跟踪区域存在高亮杂波的情况下PDAF-AI的跟踪性能可能会有所下降。     

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。     

融合YOLO检测的多目标跟踪算法

针对目前视频多目标跟踪过程中的遮挡问题,提出了一种融合YOLO v3的多目标检测和跟踪算法,选定基于检测跟踪的框架作为跟踪的整体框架,使用YOLO v3来实现对目标信息的检测工作,在选定某一检测类别的基础上,使用本文提出的跟踪算法,通过数据关联完成对此类别的多目标跟踪,并针对跟踪过程中的目标遮挡问题以及因目标遮挡而引起的轨迹跟踪异常的问题,提出了修正算法。测试视频中被遮挡的大部分目标都能准确地跟踪,但在背景移动时也会发生一部分目标身份互换的情况。所提出的算法在解决多目标跟踪中的遮挡问题时具有一定的准确性和实时性。     

动态背景运动目标的快速锁定跟踪算法

为改善动态背景运动目标跟踪的精度和计算性能,提出一种Hu_Fourier特征描述子的目标识别算法和固定模板滑动置信度最佳线性逼近法的目标锁定跟踪算法。依据提出的Hu_Fourier特征描述子,快速准确地提取出识别区域运动目标的轮廓特征,结合加权距离目标识别算法,识别出图像中所有目标,计算目标的质心坐标。利用提出的固定模板滑动置信度准则,结合识别目标的质心,锁定目标,更新目标模板。依据最佳线性逼近法,确定下一帧图像的目标搜索区域。理论分析和实验结果验证了该目标锁定跟踪算法的鲁棒性和有效性。     

基于局部灰度熵的人体检测方法

针对造成低对比度环境下运动人体检测困难的两个主要因素：拍摄时光线昏暗和拍摄时距离较远,引入局部灰度熵概念,根据局部灰度熵可以准确地反映样本的离散程度且与样本的灰度均值无关这一原理,提出基于局部灰度熵的人体目标检测算法。建立背景模型,运用泰勒展开式简化局部灰度熵计算公式,计算邻域窗口内运动物体与背景模型的局部灰度熵值之差,通过检测率与虚警率对算法进行的评价, 得到两种低对比度情况下可以获取运动人体目标的局部灰度熵差值的最佳阈值。实验结果表明,在低对比度环境下,基于局部灰度熵的人体检测算法能够有效地检测出运动人体目标。     

违章车辆快速检测方法研究——基于鲁棒颜色差分直方图

针对传统的智能交通系统中违章车辆检测方法实时性差、易受光照变化条件变化制约,影响后续辨别车辆违章和图像取证抓拍的问题,提出了一种基于颜色差分直方图和卡尔曼滤波的鲁棒、快速的违章车辆检测跟踪算法。该算法采用背景模糊匹配思想,选择初始背景图像;利用对环境变化鲁棒的颜色差分直方图算法检测运动目标;对运动目标团块的质心运动状态采用卡尔曼滤波进行跟踪预测,从而在预测的区域内检测同一目标团块;通过判断其质心运动轨迹,达到辨别违章车辆检测与抓拍的目的。通过对真实道路中不同天气条件下的场景进行检测,实验结果表明该算法能够快速而准确地检测违章车辆。     

基于分数阶积分算子的红外弱小目标检测

针对现有背景抑制算法不能有效抑制背景而导致目标检测率低的问题,提出一种基于分数阶积分背景抑制的弱小目标检测算法.首先通过研究分数阶积分理论,分析分数阶积分非线性、尖锐的低通频率特性,结合分数阶积分和警戒环技术来抑制背景;然后依据目标和背景边缘的空间特征,采用模板均差法来提取候选目标;最后结合目标的运动连续性进行多帧轨迹关联,从而检测出真实目标.实验结果表明,该算法能有效抑制背景,提高信噪比,进而有效检测出弱小目标.     

融合帧间差分与碰撞算法的快速跟踪预测算法

传统的运动目标跟踪预测算法难以保证机器人对高速运动目标的快速捕捉和提前预测,尤其是运动目标在滑行过程中发生碰撞改变了原有的运动方向,针对这一问题提出了基于帧间差分与碰撞算法相结合的运动目标跟踪预测算法.通过帧间差分法快速识别出平面内运动物体的具体位置和运动速度,根据其运动速度方向判别运动目标是否发生碰撞.当运动目标在运动过程中发生碰撞,采用LS-DYNA显示动力分析软件建立碰撞仿真模型,并用MATLAB拟合仿真数据得到碰撞算法,结合碰撞算法对运动目标的运动轨迹进行预测.结果表明以帧间差分和碰撞算法相结合的运动目标检测跟踪算法对于在平面内运动目标的跟踪预测方面速度更快,完全能够满足机器人对算法快速性的要求.