基于双向稀疏光流融合的小目标检测方法

针对动态背景下的小目标检测问题,提出了基于双向稀疏光流融合的目标检测方法.首先采用FAST方法提取当前帧图像中的角点,然后在连续的三帧图像中进行前、后向稀疏光流跟踪,确定正确匹配的特征点对,利用匹配的特征点对计算用于背景补偿的帧间运动参数,最后在背景补偿的基础上进行三帧差分,以检测出图像中的运动小目标.实验结果显示,本算法能够很好地解决背景和目标同时快速运动的问题,为运动目标的跟踪奠定基础.     

航拍图像序列的地面运动目标跟踪

建立了一套针对航拍图像的运动目标跟踪系统。根据航拍图像序列存在背景运动的特点,运用了一种基于稀疏采样的局部补偿误差函数泰勒展开法,求得背景模型参数,补偿背景运动;根据背景运动矢量和目标运动矢量不同的特点,采用了运动矢量聚类的算法,对多个潜在目标准确定位,并建立跟踪嚣找出真实目标进行跟踪。针对图像匹配可能产生的误差。提出对匹配结果进行聚类,以提高求得的背景模型参数的精确性,又针对差分图像中运动目标信息的不完整的特点,根据目标残缺信息先取得目标完整边缘信息,再进行目标定位,提高了定位的精度,并给出了部分实验结果。结果表明,该算法对噪声和光照具有很强的抑制性,能快速有效地对运动目标进行跟踪。     

航拍图像序列的地面运动目标跟踪

建立了一套针对航拍图像的运动目标跟踪系统。根据航拍图像序列存在背景运动的特点,运用了一种基于稀疏采样的局部补偿误差函数泰勒展开法, 求得背景模型参数,补偿背景运动; 根据背景运动矢量和目标运动矢量不同的特点, 采用了运动矢量聚类的算法, 对多个潜在目标准确定位,并建立跟踪器找出真实目标进行跟踪。针对图像匹配可能产生的误差, 提出对匹配结果进行聚类, 以提高求得的背景模型参数的精确性, 又针对差分图像中运动目标信息的不完整的特点, 根据目标残缺信息先取得目标完整边缘信息, 再进行目标定位, 提高了定位的精度, 并给出了部分实验结果。结 果表明, 该算法对噪声和光照具有很强的抑制性, 能快速有效地对运动目标进行跟踪。     

一种解决波动式干扰影响的序列图像运动目标检测方法

为解决复杂环境下的诸如枝叶摇摆、摄像机抖动等波动式干扰对运动目标检测的影响问题,该文提出基于视频窗口切分与分类的序列图像运动目标检测算法。首先将序列图像切分为rc大小的视频窗口,然后提取窗口内区域图像累积帧间差矩阵的简单统计特征,针对每一帧序列图像,将视频窗口进行分类,把它们划分为运动目标窗口和非运动目标窗口(包括静止背景窗口和波动式干扰窗口),最后将运动目标窗口合并为运动目标。该方法的优点是无需已知背景模型和运动目标大小、形状等任何先验信息。实验表明该算法能在摄像机抖动以及枝叶干扰等复杂环境下快速有效的检测出运动目标。     

基于光流法的多分辨率电子稳像算法

针对动载体摄像系统中视频序列受载体姿态运动及抖动的干扰而出现的不稳定现象,提出一种基于光流算法的多分辨率电子稳像算法。首先,通过划定有效的运动估算区域取代对整帧图像的计算以降低计算量;然后,利用基于光流算法的多分辨率分层运动估计快速并精确地计算出包含平移、旋转以及缩放运动的相邻帧间仿射变换参数;最后,采用固定帧补偿算法,利用求得的仿射变换参数,对图像进行运动补偿,消除或减轻图像序列帧间的随机抖动,达到稳像的目的。实验结果表明,针对包含运动目标的动态场景,该算法可以精确地检测出视频序列帧间平移、旋转以及缩放等复杂的抖动,水平和垂直方向的稳像精确度小于1pixel,保证视频序列的稳定输出,可应用于目标跟踪系统中。     

较大尺度运动下的人体特征点跟踪算法研究

利用光流法可以对视频中运动目标进行特征点跟踪,当目标存在较大尺度运动时,光流法图像一致性假设难以满足,导致特征点跟踪丢失。针对此问题,提出了一种基于Lucas-Kanade(L-K)金字塔光流算法的运动人体特征点跟踪方法。首先,利用帧间差分法得到帧差图像序列,获取行人的运动区域;然后用尺度不变特征变换（SIFT）算法检测选定初始帧中的特征点;最后运用L-K金字塔光流算法跟踪这些特征点在后续帧中的位置。实验结果表明,该算法对较大尺度运动的特征点跟踪有很好的效果,提高了跟踪的准确性。      

基于改进均值位移的红外目标跟踪方法

针对红外序列图像中目标存在旋转的问题,提出了一种改进的Meanshift跟踪方法.首先通过建立带有带宽矩阵Gaussian核的Meanshift矢量,采用类似EM的方法给出了递推公式;并且通过对图像序列的运动补偿,提高了算法的适应性;同时通过和Kalman滤波相结合,提高了算法的鲁棒性.实验结果证明算法能够成功实现对红外目标的跟踪,并且对目标旋转和缩放具有很强的适应性.     

基于OpenCV的红外弱小运动目标检测与跟踪

针对信噪比低、背景和噪声干扰严重的红外图像,根据图像序列中运动目标的帧间相关特性以及噪声的不相关理论,基于OpenCV（Open Soure Computer Vision Library）计算机视觉库,提出了一种弱小目标的检测算法,并对检测到的目标进行了跟踪。采用能量累积的方法得到背景,然后从原始图像中去除背景,提高信噪比;利用目标的帧间相关特性以及运动信息去除噪声;最后通过Kalman滤波算法来对检测到的目标进行跟踪。实验结果表明:该检测算法能有效地从序列图像中提取出弱小运动目标,跟踪算法也能实时地进行跟踪并在目标被遮挡时准确地预测出目标位置。     

动态背景下基于帧间差分与模板匹配相结合的运动目标检测

基于图形处理器单元（GPU）提出了一种帧间差分与模板匹配相结合的运动目标检测算法。在CUDA—SIFT（于统一计算设备架构的尺度不变特征变换）算法提取图像匹配特征点的基础上,优化随机采样一致性算法（RANSAC）剔除图像中由于目标运动部分产生的误匹配点。运用背景补偿的方法将静态背景下的帧间差分目标检测算法应用于动态情况,实现了动态背景下的运动目标检测,通过提取目标特征与后续多帧图像进行特征匹配的方法最终实现自动目标检测。实验表明该方法对运动目标较小、有噪声、有部分遮挡的图像序列具有良好的目标检测效果。     

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。