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。     

运动目标自动特征提取与跟踪

运动目标分割与跟踪越来越成为国内外研究的热点问题,因为它有着很广阔的应用前景和发展趋势,特别是在MPEG4标准推出以后,如何有效地进行目标与背景的分割,如何不丢失目标的跟踪,成为使用MPEG4标准达到好的压缩效果所必须解决的问题.不仅是在多媒体视频处理领域,在道路检测、车辆控制、军事侦察和机器人控制等领域目标检测和跟踪有着更重要的意义和应用.而诸如自动控制、道路监测等领域,一般环境比较恶劣,图像的信噪比不高,背景比较复杂,运动目标速度比较快.本文主要是针对后一种情况,在复杂背景和噪声比较大的情况下,提供一种有效的快速的目标检测、跟踪的算法.我们首先对拍摄的一帧图像进行形态学滤波,再通过两帧之间的比较和运动补偿算法得到粗略的目标图像,通过进一步的图像分割可以得到更精确的目标信息也就完成了目标的检测.目标跟踪是通过对每个目标的参数计算和模板匹配未完成的.     

基于动态图像序列的运动目标检测与跟踪

运动目标的检测与跟踪在智能监控和车辆导航领域中得到了广泛的应用。该文提出了基于统计背景模型和α-β-γ滤波模型的运动目标检测和跟踪算法。在此方法中，首先建立背景的高斯模型，然后检测出场景中的运动目标，最后在目标检测的结果上，采用α-β-γ滤波器对检测出的运动区域进行运动参数估计，进而跟踪出运动目标的轨迹。实验表明，该方法能够有效地分割出序列图像中的前景目标，并提高了目标跟踪的稳定性。从而证明了该方法的有效性。     

一种融合特征点与运动补偿信息的运动目标检测新算法

动态背景下的运动目标检测在汽车辅助驾驶、机器人导航等领域具有广阔应用前景。提出一种融合特征点运动信息和运动补偿信息的运动目标检测方法,解决以往基于单一特征,运动目标检测完整性差的问题,同时提高运动目标的检测准确率。首先,通过特征点检测跟踪,对图像进行分块运动估计,获得背景特征点的帧间运动模型,通过衡量特征点真实运动位置与运动模型的匹配程度,构建特征点的运动度量函数,从而获得特征点的运动信息。接着,利用背景特征点帧间运动模型,计算图像像素点的运动补偿图像,构建像素点的多帧运动补偿差异度量函数,从而获得像素点的运动补偿信息。最后,将特征点运动信息与运动补偿信息融合,获得运动目标检测结果。实验结果表明了该方法的有效性。     

动态复杂背景下的智能视频监控系统设计与实现

采用二重对称帧间差分目标检测算法和基于压缩感知的目标跟踪算法,设计并实现了一种可适应动态复杂背景下的智能视频监控系统;基于目标检测该系统能提取本地视频文件中局部运动目标并进行视频压缩,减少回放、查看视频时间,可实时播放并处理本地或网络摄像头数据,也可根据光照变化动态调整二值化阀值,实现实时区域入侵检测与报警;基于目标跟踪本系统能在动态背景下对选定目标进行跟踪,可通过客户端手动控制监控云台跟踪,也可对入侵目标实现云台自主大角度追踪;实验表明,此系统能在日常复杂环境下对运动目标准确检测和大角度跟踪,在智能家居和移动安防领域有很好的实用性。     

基于主动视觉的运动目标检测跟踪方法

研究主动视觉运动目标检测跟踪系统。针对图像目标跟踪多为非连续动态过程,准确性差,通过混合高斯法建立背景模型,采用背景差分法,利用最大类间方差算法确定阈值,检测分割出运动目标,提出一种结合SURF算法的带宽自适应均值漂移跟踪算法实现目标跟踪,使用线程并行控制摄像机运动,确保跟踪目标在图像序列中的合适尺寸。实验表明,改进系统能够实现对场景中运动目标的准确检测,稳定跟踪,并能到达实时应用的要求。     

动态背景下运动目标检测与跟踪研究

主要研究动态背景下的运动目标检测和跟踪问题。背景补偿差分法是一种常用的动态背景下运动目标检测算法,但检测到的目标轮廓要比其真实轮廓大,检测结果不准确且算法复杂度较高。主动轮廓模型在图像分割和目标提取过程中具有拓扑结构变化灵活性,对数值计算方案的设计更加方便、有效,据此提出一种基于改进C-V模型和卡尔曼滤波的算法,用来检测和跟踪动态背景下的运动目标。提出的算法利用C-V模型曲线演化检测和跟踪目标,使C-V模型在目标的边缘处收敛。结合卡尔曼滤波预测运动目标下一帧位置,从而实现对运动目标轮廓的跟踪。实验结果表明,该方法可以对动态背景下运动目标进行精确的检测与跟踪。     

基于时空背景差的带跟踪补偿目标检测方法

视频目标检测中,光照变化、摄像机噪声和错误背景更新是目前的难题。提出一种带跟踪补偿的时空背景差彩色图像运动目标检测方法。首先,建立混合高斯背景模型,通过在彩色图像差分中加入影响因子消除光照变化;接着,通过帧间差分及邻域差分,加上运动跟踪种子补偿,获得真实运动目标的种子点;在背景差分粗前景基础上,根据连通区域运动种子点过滤法,检测出最终的真实而且完整的前景目标。通过多个实际视频监控的视频数据集的实验,结果表明该方法的目标检测准确率和完整性均有很大程度的提高。     

机器人一体机中运动目标跟踪研究

机器人一体机属于移动监控类机器人,在有限区域内,从不同角度实现运动目标的识别与跟踪、监控一体机的运动变化,以此来控制机器人的下一步行动;该系统允许操作员选取要跟踪的目标,实现从背景中检测出运动目标,并开始对运动目标进行实时跟踪;研究了静止背景和动态背景两种情形的实现方法,目的是在实际背景下能正确分割出运动目标,通过对运动目标平面运动的跟踪,根据坐标变化以及对坐标变化的姿态分析,得到正确识别结果,实现了对仿真机器人的基本运动控制,并以文本命令形式显示出来。     

基于图像采集卡的智能安防监控系统设计

本文研究了基于Matrox图像采集卡的智能安防监控系统的总体解决方案,硬件设计部分详细叙述了该系统的图像采集模块设计和云台控制模块设计.通过对摄像机采集的图像进行运动目标的跟踪分析.产生控制信号,控制承栽摄像头的云台运动.以实现运动目标的跟踪:软件设计部分.针对运动目标的检测跟踪各种跟踪方法,详细研究并实现了基于时间差分的运动目标检测方法.完成了系统整体软件设计.实践证明,该系统具有较好的检测效果.     

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。     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

Neurocomputer control in an artificial brain for tracking moving objects

We developed a new control technique for tracking a moving object using a neurocomputer. The control is produced by the RICOH neurocomputer RN-2000, which is able to learn various control laws instantly, in order to track a moving object within a predetermined range of errors. The system for tracking consists of a new information processing system which is a primitive artificial brain (denoted the ABrain). This paper descrbes the new neurocomputer control technique used in the primitive ABrain and presents the results obtained from the tracking experiments. This work was presented, in part, at International Symposium on Artificial Life and Robotics, Oita, Japan, February 18–20, 1996     

目标跟踪综述

随着深度学习与人工智能技术的不断发展,视频目标跟踪已经成为了计算机视觉的重要研究内容,在公安布控、人机交互、交通管制、军事等各个领域起到越来越重要的作用。尽管现在国内外学者提出了多种目标跟踪算法,也搭建了较为完善的目标跟踪系统,但是算法的鲁棒性依然是一个比较大的挑战。本文对运动目标跟踪系统结构进行了简要介绍,并从特征提取及融合、外观模型、目标搜索等方面详细阐述了目前主流运动目标跟踪算法。然后对目标跟踪算法在深度学习大环境下的新发展进行了分析,从基于深度学习的目标跟踪及目标检测算法角度分析了深度学习在提高目标检测算法鲁棒性方面的有效性,最后概述了深度学习在视频目标检测算法中的具体应用并对其未来发展进行了展望。     

带时延补偿的视觉跟踪控制

在实际的视觉伺服系统中, 由于摄像机到图像处理设备的传输延迟和图像处理本身占用的时间, 视觉信息的获取会产生时延. 对此, 给出了一个带有时延补偿的视觉跟踪控制方法. 通过实时拟合图像雅可比矩阵, 实现了对机械手末端执行器图像特征信息的实时预测, 从而减小了估计误差. 在此基础上, 设计了一个带有时延补偿的控制方案. 通过对运动目标进行跟踪的仿真实验, 验证了本文时延补偿方法的有效性.     

PTZ摄像机跟踪运动目标的智能控制算法的研究

针对传统的PTZ摄像机跟踪运动目标时依靠人工操作,无法连续、实时动态跟踪,甚至导致跟踪失败的缺点,提出以HSV颜色直方图作为模型特征,通过Camshift算法和卡尔曼滤波器实现运动目标的定位和预测补偿,运用闭环控制机制自动调节云台的转动和镜头的变倍,提高了系统的实时性。通过Android智能手机手动调节云台和镜头,配合自动跟踪系统,使跟踪效果更准确。结果表明:该方法是可行的,具有控制简单、定位准确的优点,能提高目标跟踪的实时性和可靠性。     

基于运动点团的鱼眼图像中多目标检测方法研究

采用运动点团模式对鱼眼视频序列中的目标检测方法进行了研究和探讨。运动点团模式的运动目标检测分为三个层次,每个层次对应一个具体的检测算法,即基于像素层的背景提取和更新、运动点团层的点团检测和判定及运动目标层的目标标记和跟踪。对三个算法的原理进行了探讨,并结合鱼眼图像的特点进行了算法改进和优化。实验结果表明,以运动点团作为中间检测过程的方法能有效对圆形鱼眼视频序列中的多个运动目标进行检测,特别是图像边缘的大畸变、低分辨率目标,相比传统的检测方法具有更好的检测稳定性和准确性,在大范围智能视频监控中具备很好的实际应用价值。     

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。