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.     

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ViBe模型和五帧差分法的目标检测算法

针对当前常用ViBe算法对光照适应性差,当光照突变时ViBe算法把大面积的背景误判成前景;为此提出了一种结合ViBe背景模型与五帧差分法的新的运动目标提取方法。首先采用ViBe算法提取运动前景目标,然后将整个前景图片分成若干区域,统计这些区域中前景像素个数大于预设阈值的区域的个数,将符合条件的区域的个数与整个前景图片区域总数相比,当比值大于某一阈值,发生了判断为光照突变改用五帧差分法处理图像;最后通过连通性检测和形态学操作等后处理,最终提取出运动前景目标。实验结果表明:该算法能够有效地防止ViBe算法把大面积的背景误判成前景,提高了ViBe算法对光照变化场景下的鲁棒性,检测效果优于单独使用ViBe算法和五帧差分法的检测效果。     

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。     

基于形状上下文和粒子滤波的多目标跟踪

目标跟踪是计算机视觉领域里研究的热点和难点。提出一种基于形状上下文和粒子滤波的多目标跟踪算法,通过在跟踪过程中融入目标检测信息来处理目标进入与离开场景问题和目标重叠与分离问题。首先,采用自适应增强检测算法对视频区域中的目标进行检测;然后,利用形状上下文特征来建立被跟踪目标的外观模型;最后,利用粒子滤波方法进行粒子的选择和目标的跟踪。实验证明,提出的算法能够有效处理目标进入与离开场景的问题和目标重合与分离的问题,在单一背景和复杂背景下都能进行较为准确的跟踪,还能一定程度上处理部分遮挡问题。     

基于辅助粒子滤波的红外小目标检测前跟踪算法

研究低信噪比复杂环境下的红外小目标检测和跟踪问题,提出了基于辅助粒子滤波的检测前跟踪算法.首先使用形态学滤波算法对图像进行白化预处理;然后在跟踪阶段采用辅助粒子滤波算法估计目标运动状态,在检测阶段利用跟踪滤波器的输出构造似然比,并进行似然比检验.对真实红外图像序列的实验表明,该算法可成功跟踪和检测信噪比为2的小目标,且其性能优于传统的检测前跟踪算法.     

基于UPF的小目标检测前跟踪算法

为提高对复杂环境下小目标的联合检测和跟踪性能,提出了一种基于粒子滤波的小目标先跟踪后检测(TBD)算法.通过粒子滤波对小目标的运动状态和出现状态进行联合采样,并采用Unscented粒子滤波(UPF)方法对TBD算法进行了具体实现.新算法真正将跟踪思想引入到目标检测中去,对小目标的联合检测与跟踪具有灵敏度高,捕获概率和跟踪性能高,对采样粒子数要求低等优点,能有效增强红外搜索与跟踪系统的"边检测边跟踪"能力.     

MB-LBP特征提取和粒子滤波相结合的运动目标检测与跟踪算法研究

在复杂环境下,由于行人密度大以及运动随机性,导致运动目标(行人)难以检测和跟踪,造成人员计数误差。提出一种MB-LBP(Multi-scale Block Local Binary Pattern)特征提取和粒子滤波相结合的运动目标检测与跟踪算法来解决此问题。该算法首先用AdaBoost提取MB-LBP特征训练生成分类器进行人头检测,并根据人头目标尺寸变化范围去除部分误检,然后用改进的粒子滤波算法预测跟踪多个运动目标,最后对跟踪的运动目标进行计数。实验结果表明,提出的算法能够对复杂环境下多个运动目标进行有效检测及跟踪,准确、快速地对视频帧中的人员进行计数。     

改进的基于颜色的粒子滤波目标跟踪算法

提出了一种改进的粒子滤波算法,在遮挡情况下,能鲁棒地跟踪运动目标.该方法是把改进的颜色直方图结合到粒子滤波的观测模型中,并提出了一种判断目标遮挡的分块检测遮挡的方法.首先对传统的以核函数赋权值的方法进行改进,把目标中心附近的像素都赋予最大的权值,目标的边缘由于遮挡等原因采用指数分布赋权值;在遮挡检测时,提出了把跟踪窗分为左右两个子部分,分别计算相似性度量的方法,提高了遮挡检测的实时性和准确性;同时,该算法对旋转和尺寸的变化具有鲁棒性.实验结果表明,与基本的粒子滤波算法相比,提出的新算法能更好的处理目标跟踪中的遮挡问题.     

复杂背景下感兴趣运动目标的跟踪算法

针对由于复杂背景的干扰而导致不能准确跟踪感兴趣运动目标的问题,提出一种基于多特征自适应融合的粒子滤波跟踪算法。首先在HSV颜色空间中得到感兴趣运动目标的加权颜色分布模型,然后利用不变矩特征来消除背景中相似颜色物体和光照变化的干扰,两种特征通过自适应调整权重来更新粒子权值而融合于粒子滤波算法中,从而能够准确和稳定地跟踪运动目标。实验证明,该算法在运动目标平移、姿态变化、遮挡、光照变化及相似颜色干扰等复杂背景下都能够准确地进行跟踪,对背景干扰具有很强的鲁棒性。     

基于深度学习的抓取目标姿态检测与定位

机器人对抓取目标进行高准确的姿态检测与定位依然是一个开放性的难题.本文提出了一种基于卷积神经网络对抓取目标快速姿态检测与精确定位的方法.该方法采用Faster R-CNN Inception-V2网络模型,在网络中将抓取目标的姿态角度采用分类标签方式输出,位置坐标采用回归方法,对Cornell公开数据集重新标注并训练端到端模型.模型在实例检测和对象检测测试集上分别取得96.18%和96.32%的准确率,对于每一幅图像的处理时间小于0.06 s.实验结果表明模型能够实时地对图像中单个或多个抓取目标进行快速地姿态检测与定位,准确度高并具有很强的鲁棒性和稳定性.     

深度学习小目标检测算法研究综述

目标检测的主要目的是在图像中快速精准地识别定位出预定义类别的目标。而随着深度学习技术的不断发展,检测算法在相应行业大、中目标已达到了不错的成效。鉴于小目标在图像中尺寸较小、特征不全、与图像中背景差异大等特点,基于深度学习的小目标检测算法性能仍需要进一步提升和优化;小目标检测在无人驾驶、医疗诊断、无人机导航等多个领域都有着广泛的需求,因此研究有着很高的应用价值。在文献调研的基础上,先给出小目标检测定义,找到当前小目标检测的重难点;根据这些重难点从六个研究方向分析当前研究现状,并总结各算法优缺点;结合文献及发展现状对该领域未来的研究方向做出合理预测与展望,为后续研究提供一定基础参考。     

基于改进Kalman滤波的可见光极小目标TBD跟踪方法

针对无人机可见光图像极小目标跟踪问题,本文提出一种基于改进卡尔曼滤波的 (Tracking before detection,TBD)跟踪方法。首先利用检测算法定位目标位置作为卡尔曼滤波的测量值,检测过程中的匹配相似度参数作为卡尔曼滤波测量噪声协方差矩阵的参照依据,其次利用卡尔曼滤波建立跟踪框架预测下一帧的目标位置,最后检测模块以预测位置为 参考位置进行局部搜索,完成整个检测跟踪过程。为了提高跟踪效率,本文根据检测和预测位置积累误差判决检测模式,误差超过门限值则采取全局检测模式消除积累误差,否 则使用局部检测模式,降低TBD跟踪算法的运算复杂度。仿真实验证明,本文方法可以有效检测跟踪极小目标,提高跟踪的实时处理能力。     

融合注意力机制与多检测层结构的伪装目标检测

目的 伪装目标是目标检测领域一类重要研究对象,由于目标与背景融合度较高、视觉边缘性较差、特征信息不足,常规目标检测算法容易出现漏警、虚警,且检测精度不高。针对伪装目标检测的难点,基于YOLOv5(you only look once)算法提出了一种基于多检测层与自适应权重的伪装目标检测算法（algorithm for detecting camouflage targets based on multi-detection layers and adaptive weight,MAH-YOLOv5）。方法 在网络预测头部中增加一个非显著目标检测层,提升网络对于像素占比极低、语义信息不足这类目标的感知能力;在特征提取骨干中融合注意力机制,调节卷积网络对特征信息不足目标的权重配比,使其更关注待检测的伪装目标;在网络训练过程中使用多尺度训练策略,进一步提升模型鲁棒性与泛化能力;定义了用于军事目标检测领域的漏警、虚警指标,并提出伪装目标综合检测指数。结果 实验在课题组采集的伪装数据集上进行训练和验证。结果表明,本文方法在自制数据集上的平均精度均值（mean average precision,...     

基于机器学习的小目标检测与追踪的算法研究*

本文提出了基于机器学习的小目标检测与追踪算法DT。算法首先使用多结构闭运算重构对图像进行预处理,然后利用Harris角点检测与改进的多cell、多block的HOG (Histogram of Oriented Gradient)算法结合SVM(Support Vector Machine)对视频帧中的小目标进行检测,最后采用基于改进的孪生网络的追踪算法对检测到的目标进行追踪。实验证明,该方法不仅适用于天空背景,在相对均匀的地面背景下也有一定的追踪能力。而且该算法对于小目标的尺度变化、消失重现等问题具有很好的鲁棒性。     

Detection and tracking of single-pixel targets based on trajectory continuity

A target detection and tracking algorithm has been developed to identify single-pixel targets with unknown motion from a time sequence of highly noisy images. The algorithm is based on a target trajectory continuity theory, utilizing temporal continuity and smoothness of target trajectories in both intensity and spatial coordinates in an image plane to detect and simultaneously track multiple targets. With a unique application of the trajectory continuity theory, the algorithm presents an effective engineering solution to the small target track initiation problem in under-speficied environments where an optimum solution is not possible, and at the same time unties the constraint of straight line trajectory that most optimum algorithms require for similar tasks. The algorithm design utilizes a parallel-distributed computing architecture, which aims for real-time target detection and tracking applications.     

基于WSNs与信息驱动理论的机动目标跟踪算法实现

针对跟踪精度与网络能量消耗的均衡性问题,提出了信息加速度的概念,并结合信息驱动理论对机动目标的运动轨迹进行预测和跟踪,实验结果证明：提出的算法可以利用较少的网络能量对机动目标实施精确跟踪,可以满足对机动目标长期、准确跟踪监控的需求。     

基于双边缘检测的目标定位技术

为了提高目标定位的准确性,在传统的高斯差分边缘检测和Sobel算子边缘检测的基础上,提出将二者相结合的双边缘检测算法。对原始图像进行2次标准差不同的高斯模糊求高斯差分来代替原本边缘检测图像预处理中的高斯平滑过程;对实验结果较好的高斯差分参数,进行Sobel边缘检测并进行目标定位。实验结果表明,在算法时间开销增加较少的情况下,使用高斯差分算子与Sobel算子相结合进行边缘检测的结果优于Sobel算子单独检测,检测效果较好。     

基于多模式均值时空模型的目标融合检测方法

针对复杂环境下的目标检测问题,提出了一种基于背景模型的融合检测方法。首先在多模式均值模型的基础上,构造多模式均值时空模型,结合像素在时空域上的分布信息,改善了模型对非平稳场景较为敏感的缺点,给出了模型更新方法和前景检测方法;然后利用该模型对可见光和红外图像序列分别进行建模和前景检测,给出了一种基于置信度的目标融合检测方法,利用双传感器信息提高检测精度和可靠性。实验结果验证了本文方法的有效性。     

深度学习中的单阶段车辆检测算法综述

随着深度学习的发展,基于深度学习的车辆检测算法性能不断被提升,在构建智能交通体系方面发挥重要作用.单阶段目标检测模型因其检测速度的优越性,被广泛应用于车辆实时检测.为了综合分析基于深度学习的单阶段车辆检测算法相关改进及应用,分别对比了各类常用单阶段车辆检测算法,列举其改进措施以及在车辆检测方面存在的问题;重点阐述了基于...