运动目标检测与跟踪算法的研究进展

运动目标检测与跟踪技术有着广泛的应用,但由于检测和跟踪过程容易受外界环境的干扰而造成失败,因此改进运动目标检测和跟踪算法具有重要意义。本文分类介绍了运动目标检测与跟踪算法的研究现状以及常用算法,比较了各种算法的优缺点,阐述了该课题许多尚未完全解决的问题,并对该领域未来的发展趋势进行展望。     

自适应人体运动目标精检测

现有人体检测算法普遍存在检测精度不足,适应环境能力差的缺点,为了改善这种情况,提出了一种结合区域RGB权值和自适应阈值的人体精检测算法。该算法首先通过背景差分法对前景人体目标进行快速检测,分离出近粗略人体目标区域,然后根据人体的特征将人体可能的区域范围确定,结合两次检测的区域估计出人体目标区域。将目标区域分割为若干大小相同的小块,分别对每一个小块计算RGB权值和检测阈值,并归一化到（0,255）区间,利用加权后的新值和得到的阈值通过背景差分法进行精检测,得到最终结果。实验结果表明：本文的检测算法可以比现在流行的基于HIS的人体检测算法精度提高10%左右,比普通的背景差分法检测精度最高可提高40%左右。通过实际验证,本文的算法完全满足人体检测对精度和适应性的要求。     

视频序列中人体运动目标的检测与跟踪研究

提出一种视频序列中人体运动目标的精确检测、提取以硬跟踪算法。该算法采用帧间差闽值法（简称TIFD）实现快速精确地检测和提取目标,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域,缩小了目标跟踪时的搜索范围。充分利用运行目标检测的结果,提高了目标的匹配效率及跟踪速度。同时给出了相应的实验结果,结果表明方法是比较实用的,能满足人体运动分析的基本要求。     

基于改进差分算法的运动目标检测与跟踪

针对视频序列中运动目标检测与跟踪的问题,改进传统的差分方法,提出一种基于二次插值的差分算法。在相邻两帧图像中插入若干图像使所得图像的背景近似为不动的背景,在用差分算法对图像检测与跟踪。实验结果表明,该方法能有效提高跟踪的效率和精度。     

人体运动检测与跟踪算法的研究和分析

主要针对简单场景下也即静止背景下的人体运动进行检测与跟踪,这里讨论了三种可选择的方法.第一个是camshift算法,另外的两种运动检测的算法是光流法和背景差分法.对这三种算法进行了研究和分析,同时对它们进行了比较.     

移动机器人的运动目标实时检测与跟踪

运动目标检测及跟踪是机器视觉领域备受关注的前沿课题之一。该文针对移动机器人导航领域对检测与跟踪的实时性要求,基于Kalman滤波器实现了驱动单目摄像头的反馈控制系统。采用简单的三帧差背景剪除策略检测运动目标,合并运动估计和背景补偿以加快系统反应速度。系统误差保存在协方差阵中,以增益的形式参与控制。该文还详细分析了运动补偿对检测的影响及误差的变化趋势。实验表明,系统能够保持对运动目标稳定偏差的平滑跟踪,在480320的图像分辨率下控制速度达到20Hz(fps)。     

人体运动目标跟踪的滞后性问题研究

研究人体运动目标跟踪问题,由于图像目标跟踪实时性差,在摄像机与被跟踪物体同时运动的情况下,被跟踪人体走路速度过快,两者速度不匹配时,运动的人体存在着被跟踪的滞后性问题.为解决上述问题,提出了一种改进的粒子跟踪方法.在人体跟踪的过程中,可以根据实际跟踪情况在线减少粒子的数目,进而减少运算时间,使得算法的运算速度可以根据被跟踪人体的运动速度实时调节,形成速度最佳匹配.仿真表明,改进的算法很好地解决了被跟踪运动目标的滞后性的问题,跟踪效果明显改善.     

运动目标检测与跟踪的 DSP 实现

研究了运动目标检测与跟踪的 DSP(Digital Signal Processor)实现算法,以形心跟踪算法为整个处理系统的核心.采用目标形心跟踪算法,通过目标分割阶段的目标标记,如目标面积、周长、形心位置等信息的提取建立目标跟踪波门,实现目标的连续跟踪,并将此算法移植到 SEED—VPM642硬件平台,实验结果表明能够达到预定目标.此外,为了克服形心算法的准确性和实时性缺陷,采用粒子滤波对算法进行必要的扩展,从 MATLAB 的仿真结果看,除个别采样点存在误差较大的情况,真实值曲线与粒子滤波跟踪曲线拟合较好     

运动目标检测与跟踪的DSP实现

研究了运动目标检测与跟踪的DSP（DigitalSignalProcessor）实现算法,以形心跟踪算法为整个处理系统的核心。采用目标形心跟踪算法,通过目标分割阶段的目标标记,如目标面积、周长、形心位置等信息的提取建立目标跟踪波门,实现目标的连续跟踪,并将此算法移植到sEED—VPM642硬件平台,实验结果表明能够达到预定目标。此外,为了克服形心算法的准确性和实时性缺陷,采用粒子滤波对算法进行必要的扩展,从MATLAB的仿真结果看,除个别采样点存在误差较大的情况,真实值曲线与粒子滤波跟踪曲线拟合较好。     

基于差分图象的多运动目标的检测与跟踪

运动目标的检测与跟踪在许多领域有广泛的应用,它是应用视觉研究的焦点之一。     

抗干扰的运动目标检测算法

针对实时场景中运动目标检测的问题,提出一种改进算法。结合背景差分与帧间差分判定图像是否存在运动目标的过程中,引入形态腐蚀算子抑制大量孤立小噪声,采用基于矩形块的目标判定方法提高检测准确度,通过实时背景更新提高自适应性。实验结果表明改进算法可靠性高、抗干扰性强、背景适应性强。     

结合粒子滤波与Mean shift的高速运动目标跟踪

Mean shift跟踪算法能够有效跟踪视频序列中的各种运动目标,但是该算法无法准确地跟踪视频中高速运动目标.通过分析mean shift算法的原理,指出mean shift对高速运动目标跟踪失效的原因,提出一种基于mean shift的粒子滤波跟踪的新算法.通过实验比较,该算法能改善了Mean shift算法对高速运动目标的效果,并且在存在干扰目标的情况下具备良好的跟踪效果.     

视频监控系统中运动目标的实时检测

实现鲁棒且实时的目标分割是视频监控系统的关键。针对照明条件连续变化的监控环境中背景图像像素灰度不断变化的情况,提出一种能自适应光线变化的背景更新算法,利用帧间差分和背景差分共同确定运动目标。实验结果证明该算法运算量小、鲁棒性好,适用于室内或室外的监控设备。     

视频中运动目标的实时检测和跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域,特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出了一种自适应的背景相减法来分割运动物体,为了准确地定位运动车辆的区域,采用差分图像投影和边缘投影相结合的方法来定位车体,同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪,即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆,同时也能实时地定位和跟踪弯道上运动的车辆,从实验结果看,提出的背景更新算法简单,并且运动车辆区域的定位具有很好的鲁棒性,从统计的检测率和运行时间来看,该算法具有很好的检测效果,同时也能满足基于视频的智能交通监控系统的需要。     

基于五帧差分和背景差分的运动目标检测算法

静态背景下运动目标检测的抗噪性能较差。为此,提出一种改进的运动目标检测算法。对原始图像进行预处理,将五帧差分和背景差分相结合,利用基于自适应背景模型的动态阈值,提取图像中的运动区域,并进行形态学滤波和连通性检测,最终获取运动前景目标。实验结果表明,该算法能完整提取运动目标,背景适应性强,实时性好。     

基于加权累积差分的运动目标检测与跟踪

针对视频序列中缓变运动目标检测与跟踪的问题,改进加权累积差分方法,设计一种快速检测缓变运动目标的权值分配算法。在检测出的运动目标区域中提取特征点,利用最大距离原则确定特征点的匹配范围,根据视差一致性原则,提出非回溯的误匹配检测方法。实验结果表明,该方法能有效提高跟踪的效率和精度。     

一种有效的运动物体检测方法

为了从监控视频中检测出较高质量的运动物体,文章提出了一种基于帧间差分和背景差分相结合的运动目标的检测方法,并且采用像素级和帧级背景更新相配合的一种背景更新策略。算法求取各像素点处的最大概率灰度,从而提取出连续视频的背景图像;相邻帧则利用帧间差分法以及背景差分法得到两幅运动区域图像;将两幅运动区域图像相与,提取出较为准确的运动目标。实验证明,该算法对光线的变化鲁棒性较高,运算速度较快,且能够及时的响应监控视频的实时变化,提高运动目标的检测质量。     

一种快速的视频刚体运动目标检测算法

检测速度慢、准确度低是传统视频运动目标检测方法普遍存在的问题,为克服以上缺点,结合帧间差分和变分水平集方法提出一种新的运动目标检测算法。通过改进的帧差法快速初始化运动区域,并将其作为初始水平代入无需重新初始化的水平集演化方程进行演化,利用强度和光流信息控制水平集演化最终停止在目标边界处。实验结果表明,该算法具有检测速度快、准确性高的特点,是一种有效的视频刚体运动目标检测方法。     

基于DRLSE模型的运动目标跟踪

高斯粒子滤波不能处理曲线的拓扑变化,而基于水平集的几何活动轮廓模型能较好地适应拓扑变化,为了跟踪和提取刚体和非刚体运动目标精确的轮廓信息,提出基于距离规则化的水平集演化(DRLSE)模型和高斯粒子滤波(GPF)相结合的运动目标跟踪方法.首先用高斯粒子滤波对目标跟踪得到目标的运动区域,然后把水平集规则项引入到测地线活动轮廓模型中,以外接轮廓的中心为基础进行DRLSE.距离规则化不仅消除了水平集重新初始化的需要,而且避免了因此而导致的数值错误,在水平集演化过程中保持了水平集函数的规则化.最后,将获得的精确轮廓信息反馈到跟踪框架.实验结果表明,该方法适用于刚体和非刚体目标,在实际交通环境中跟踪结果更加精确.