一种改进的视频图像检测跟踪算法

针对运动目标在运动过程中的交叉、遮挡等情况,采用自适应阈值的Vibe算法来压缩背景杂波和相关噪声,进而对运动目标进行检测.采用基于Camshift优化的粒子滤波算法对运动目标进行跟踪,该算法在粒子滤波算法的基础上结合Camshift算法的优点,加入当前观测信息,使粒子更好地采样于目标周围,提高了粒子效率,节省了算法时间.实验表明,自适应阈值的Vibe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,而基于Camshift优化的粒子滤波算法能够在目标快速运动、遮挡情况下对目标进行准确跟踪.     

基于运动注意力融合模型的目标检测与提取算法

针对全局运动场景下目标检测与提取方法的局限性,文中根据运动注意力形成机理,构建一种运动注意力时-空融合模型用于运动目标的检测与提取。该算法首先对运动矢量场进行叠加和滤波等预处理。然后根据运动矢量在时间和空间上的变化特点定义运动注意力融合模型,并采用该模型检测运动目标区域。最后利用形态学和边界跟踪方法对目标区域进行精确化提取。根据多个不同全局运动视频场景的测试结果,显示该算法比其它算法具有更好的准确性和实时性。     

基于分块和改进粒子滤波的运动目标检测方法

为了快速准确地检测到视频场景中的运动目标,提出了一种基于分块和改进的粒子滤波的运动目标检测方 法。首先,对视频图像序列分块并提取每个图像块的颜色特征;然后,用改进的粒子滤波对每个图像块进行操作,计算 出每个块对应的粒子的权重;最后,根据粒子的平均权重建立背景模型,提取运动目标。将分块和粒子滤波相结合,能 够在不降低检测精度的基础上,大幅减少算法的计算量,提高算法的执行速度。实验结果表明,该方法具有较好的鲁 棒性、杭噪性和抗光照变化能力,提取的运动目标更加完整。     

可视化背景提取和粒子滤波的行为检测研究

在智能视频监控中,目标所在场景的复杂性和光照变化使得运动目标的检测难度加大.采用可视化背景提取(ViBe)算法来检测运动目标,对于运动目标在运动过程中的交叉、遮挡等情况,采用ViBe算法和粒子滤波运动目标跟踪算法相结合,完成对运动目标的检测与跟踪;在运动行为检测中,进一步定义目标的运动方向,从而判断目标的运动状态.实验表明,ViBe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,将其和粒子滤波结合能够准确跟踪实际场景中的运动目标,并能够准确判断目标的运动状态.     

基于IMM多传感器顺序粒子滤波跟踪机动目标算法

针对交互式多模型粒子滤波在跟踪机动目标时精度受限问题,提出一种基于交互式多模型(IMM)的多传感器顺序粒子滤波算法。采用IMM机制实现目标运动模式的确认;在合理利用单传感器量测和多传感器量测中冗余和互补信息的基础上,引入顺序重抽样方法改善粒子分布,并将改善后的粒子应用于IMM粒子滤波算法框架。仿真实验结果表明:新算法能够估计出强机动目标状态,且精度明显优于标准IMM粒子滤波算法。     

鲁棒边缘粒子滤波及在目标跟踪中应用

边缘粒子滤波是组合导航和目标跟踪中状态估计的高效方法;文章目的 是研究附加量测噪声具有时变未知方差的鲁棒边缘粒子滤波的算法并对算法仿真验证;设计方法是使用Rao-Blackwellised原则实现混合模型中状态降维,然后状态与量测方差同时分别估计;量测分布模型设置为具有鲁棒性质的学生t分布,通过这种量测似然模型得到粒子权值;变分推断方法加入混合滤波方案进行量测噪声方差参数的实时递推估计;重采样阶段粒子权值与状态及噪声参数一起进行重采样,结果是给出状态与噪声参数估计的鲁棒边缘粒子滤波;通过对常速目标运动跟踪模型量测噪声方差渐变和突变两种情况的仿真设置分析,验证了所提算法在量测方差变化情况下性能优于边缘粒子滤波算法的结论.     

用于目标跟踪的智能群体优化滤波算法

针对目标跟踪中的状态估计，提出一种智能群体优化滤波算法。算法在贝叶斯滤波的基础上，运用智能群体优化的3种运动模型估计目标的后验状态，其中内聚运动在保持了粒子多样性的情况下增加了样本的权值，分离运动和排列运动相协调能够更加准确地预测下一时刻目标的先验状态。实验结果表明:与标准粒子滤波相比，该算法能够更加准确地估计非线性系统中的后验状态，在复杂多变的场景环境中，表现出更高的跟踪准确性。     

动态背景下基于粒子滤波的运动目标跟踪方法

在智能视频监控系统中,实现对动态背景下的运动目标准确跟踪是一个难点问题。使用一种基于粒子滤波的方法来对动态背景下的运动目标进行跟踪。该方法基于贝叶斯估计,利用粒子集来表示概率,通过递推的贝叶斯滤波来近似逼近最优化的估计结果。实验结果证明,该方法可准确跟踪动态背景下的运动目标,是一种有效的目标跟踪方法。     

基于运动显著性的移动镜头下的运动目标检测

针对移动镜头下的运动目标检测中的背景建模复杂、计算量大等问题,提出一种基于运动显著性的移动镜头下的运动目标检测方法,在避免复杂的背景建模的同时实现准确的运动目标检测。该方法通过模拟人类视觉系统的注意机制,分析相机平动时场景中背景和前景的运动特点,计算视频场景的显著性,实现动态场景中运动目标检测。首先,采用光流法提取目标的运动特征,用二维高斯卷积方法抑制背景的运动纹理;然后采用直方图统计衡量运动特征的全局显著性,根据得到的运动显著图提取前景与背景的颜色信息;最后,结合贝叶斯方法对运动显著图进行处理,得到显著运动目标。通用数据库视频上的实验结果表明,所提方法能够在抑制背景运动噪声的同时,突出并准确地检测出场景中的运动目标。     

采用EM算法对粒子滤波跟踪算法进行改进

提出了一种改进粒子滤波跟踪算法EMPF(expectation-maximization particle filter)。针对传统粒子滤波存在的动态模型的不确定问题,将EM算法与粒子滤波算法有效结合,将运动模型的参数作为待估量,采用EM算法来确定目标的运动模型参数,从而获得对目标状态的较准确估计。实验结果表明,当目标做复杂的转弯运动时,该算法能够显著地提高对目标运动状态的预测精度。     

监控场景中的运动物体提取技术研究

针对监控场景中因存在遮挡而无法有效地提取出完整的运动序列这一问题,提出了一种将ViBe前景检测算法和改进后的粒子滤波跟踪算法相结合的跟踪提取方法。首先用ViBe来提取出场景中所有运动物体的前景轮廓;其次用粒子滤波来检测和跟踪目标物体;最后通过与目标物体的关联轮廓求交运算以及跟踪区域的反馈调节完成对目标物体运动帧序列的提取。当运动物体发生遮挡时,采用将跟踪区域内所检测到的前景轮廓重新加入到目标物体的关联轮廓中以保证后续可以继续用关联轮廓交集来提取。实验结果表明,该方法能够很好地保证提取的质量,并有效地解决了局部遮挡与全局遮挡情况下运动物体完整运动序列的提取。     

基于区域纹理的运动目标检测方法*

针对混合高斯和多模态均值模型在阴影、噪声、扰动、计算量和存储空间等方面的优缺点,提出一种基于区域纹理的目标检测方法。该方法分析场景纹理分布,制定区域复杂度分类准则,对复杂区域采用混合高斯,对简单区域采用基于运动历史的多模态均值进行目标检测。实验表明,该方法能在多模态环境中克服噪声与扰动,实时转换前／背景,优化速度和存储量,准确检测出目标。     

动态场景图像序列中运动目标检测新方法

在动态场景图像序列中检测运动目标时,如何消除因摄影机运动带来的图像帧间全局运动的影响,以便分割图像中的静止背景和运动物体,是一个必须解决的难题。针对复杂背景下动态场景图像序列的特性,给出了一种新的基于场景图像参考点3D位置恢复的图像背景判别方法和运动目标检测方法。首先,介绍了图像序列的层次化运动模型以及基于它的运动分割方法;然后,利用估计出的投影矩阵计算序列图像中各运动层的参考点3D位置,根据同一景物在不同帧中参考点3D位置恢复值的变化特性,来判别静止背景对应的运动层和运动目标对应的运动层,从而分割出图像中的静止背景和运动目标;最后,给出了动态场景图像序列中运动目标检测的详细算法。实验结果表明,新算法较好地解决了在具有多组帧间全局运动参数的动态场景序列图像中检测运动目标的问题,较大地提高了运动目标跟踪算法的有效性和鲁棒性。     

多信息动态融合的运动目标检测方法

针对基于视觉显著性的运动目标检测算法存在时空信息简单融合及忽略运动信息的问题,提出一种动态融合视觉显著性信息和运动信息的运动目标检测方法。该方法首先计算每个像素的局部显著度和全局显著度,并通过贝叶斯准则生成空间显著图;然后,利用结构随机森林算法预测运动边界,生成运动边界图;其次,根据空间显著图和运动边界图属性的变化,动态确定最佳融合权值;最后,根据动态融合权值计算并标记运动目标。该方法既发挥了显著性算法和运动边界算法的优势,又克服了各自的不足,与传统背景差分法和三帧差分法相比,检出率和误检率的最大优化幅度超过40%。实验结果表明,该方法能够准确、完整地检测出运动目标,提升了对场景的适应性。     

运动显著性概率图提取及目标检测

目的 动态场景图像中所存在的静态目标、背景纹理等静态噪声,以及背景运动、相机抖动等动态噪声,极易导致运动目标检测误检或漏检。针对这一问题,本文提出了一种基于运动显著性概率图的目标检测方法。方法 该方法首先在时间尺度上构建包含短期运动信息和长期运动信息的构建时间序列组;然后利用TFT（temporal Fourier transform）方法计算显著性值。基于此,得到条件运动显著性概率图。接着在全概率公式指导下得到运动显著性概率图,确定前景候选像素,突出运动目标的显著性,而对背景的显著性进行抑制;最后以此为基础,对像素的空间信息进行建模,进而检测运动目标。结果 对提出的方法在3种典型的动态场景中与9种运动目标检测方法进行了性能评价。3种典型的动态场景包括静态噪声场景、动态噪声场景及动静态噪声场景。实验结果表明,在静态噪声场景中,F_score提高到92.91%,准确率提高到96.47%,假正率低至0.02%。在动态噪声场景中,F_score提高至95.52%,准确率提高到95.15%,假正率低至0.002%。而在这两种场景中,召回率指标没有取得最好的性能的原因是,本文所提方法在较好的包络目标区域的同时,在部分情况下易将部分目标区域误判为背景区域的,尤其当目标区域较小时,这种误判的比率更为明显。但是,误判的比率一直维持在较低的水平,且召回率的指标也保持在较高的值,完全能够满足于实际应用的需要,不能抵消整体性能的显著提高。另外,在动静态噪声场景中,4种指标均取得了最优的性能。因此,本文方法能有效地消除静态目标干扰,抑制背景运动和相机抖动等动态噪声,准确地检测出视频序列中的运动目标。结论 本文方法可以更好地抑制静态背景噪声和由背景变化（水波荡漾、相机抖动等）引起的动态噪声,在复杂的噪声背景下准确地检测出运动目标,提高了运动目标检测的鲁棒性和普适性。     

特征融合和聚类核函数平滑采样优化的粒子滤波目标跟踪方法

针对复杂场景下的目标跟踪问题,提出了一种改进的粒子滤波目标跟踪方法。利用背景加权后的联合直方图描述目标灰度和梯度特征信息,在粒子滤波算法的框架下,设计了一种自适应特征融合观测模型来适应场景的不断变化;同时针对传统粒子滤波算法存在的粒子退化问题,提出了一种基于聚类核函数平滑采样的方法。理论仿真和实际场景的实验结果表明,该算法适应性更强,精度更高,能有效跟踪复杂场景下的运动目标。     

分裂合并运动分割的多运动视觉里程计方法

目的 视觉里程计（visual odometry,VO）仅需要普通相机即可实现精度可观的自主定位,已经成为计算机视觉和机器人领域的研究热点,但是当前研究及应用大多基于场景为静态的假设,即场景中只有相机运动这一个运动模型,无法处理多个运动模型,因此本文提出一种基于分裂合并运动分割的多运动视觉里程计方法,获得场景中除相机运动外多个运动目标的运动状态。方法 基于传统的视觉里程计框架,引入多模型拟合的方法分割出动态场景中的多个运动模型,采用RANSAC（random sample consensus）方法估计出多个运动模型的运动参数实例;接着将相机运动信息以及各个运动目标的运动信息转换到统一的坐标系中,获得相机的视觉里程计结果,以及场景中各个运动目标对应各个时刻的位姿信息;最后采用局部窗口光束法平差直接对相机的姿态以及计算出来的相机相对于各个运动目标的姿态进行校正,利用相机运动模型的内点和各个时刻获得的相机相对于运动目标的运动参数,对多个运动模型的轨迹进行优化。结果 本文所构建的连续帧运动分割方法能够达到较好的分割结果,具有较好的鲁棒性,连续帧的分割精度均能达到近100%,充分保证后续估计各个运动模型参数的准确性。本文方法不仅能够有效估计出相机的位姿,还能估计出场景中存在的显著移动目标的位姿,在各个分段路径中相机自定位与移动目标的定位结果位置平均误差均小于6%。结论 本文方法能够同时分割出动态场景中的相机自身运动模型和不同运动的动态物体运动模型,进而同时估计出相机和各个动态物体的绝对运动轨迹,构建出多运动视觉里程计过程。     

Improved infrared small target detection and tracking method based on new intelligence particle filter

Track‐before‐detect algorithm based on the particle filter algorithm has the problems of low tracking precision, poor particles, and requiring a large amount of particles to be calculated in a low signal‐to‐noise ratio, which is difficult to meet the accuracy and speed required by the modern infrared search and tracking system. In this paper, an improved infrared small target detection and tracking method based on a new particle filter is proposed. This is where particles are used to represent an individual bat to imitate the hunting process of bats. By adjusting loudness, frequency, and impulse emissivity of a particle swarm, the optimal particle at that time is followed to search in the solution space. In addition, the global search and the local search can also be dynamically switched to improve the quality and distribution of the particle swarm. The performance of the proposed algorithm is tested in a simulation scene and the real scene of the infrared small target detection and tracking. Experimental results show that the proposed algorithm improves the performance of the infrared searching and tracking system.     

融合HOG与ARMA模型的粒子滤波跟踪

传统的粒子滤波算法在跟踪目标受到相似背景干扰和遮挡或跟踪目标高速运动时,容易造成跟踪误差增大或跟踪失效的影响。针对室外运动目标跟踪的复杂性,提出一种对于干扰适应性较强的融合梯度方向直方图与自回归移动平均(ARMA)模型的粒子滤波跟踪方法。建立ARMA运动模型,用前两帧目标的位姿状态预测目标下一帧的状态,解决目标跟踪的角度变化与部分遮挡问题。实验结果表明,该模型能克服光照突变引发目标色彩突变的问题。