多车道场景下的视频车辆测速方法

针对目前大多数测速算法无法完成多车道场景车辆测速的问题,提出了一种用于多车道场景下的视频车辆测速算法.该算法对传统的虚拟线圈技术进行改进,将虚拟线圈分为分界检测区域和触发检测区域,有效的完成了多车道场景下多目标车辆的检测.同时在测速过程中,以几何中心作为特征对目标车辆进行跟踪,推导出车辆在图像中的位移.与传统方法相比,...     

一种多特征融合的复杂场景动态目标跟踪算法

针对传统目标跟踪算法在目标形变、遮挡或光照变化等复杂场景下容易丢失目标的问题,提出了一种融合多特征的复杂场景动态目标长时间视觉跟踪算法,该算法基于跟踪学习检测(TLD)框架,首先,利用高斯二阶滤波器提取跟踪目标在不同方向的纹理信息,通过纹理信息采用Hessian矩阵计算图像曲面的主曲率,融合主曲率与RGB颜色信息建立目标特征概率直方图模型;然后,使用融合多特征的Mean Shift算法替代TLD框架中的光流法,降低跟踪模块的计算复杂度;最后,采用P-N学习策略构建快速级联检测器,实现跟踪失败时准确检测并重新初始化跟踪器快速修正跟踪结果.在OTB-50公开数据集和煤矿井下巷道视频上进行动态目标跟踪测试.结果表明:所提算法能够实现目标形变、遮挡或光照变化等复杂场景动态目标长时间跟踪,具有较高的鲁棒性和跟踪精度.     

关于单目标跟踪方法的研究综述

目标跟踪一直都是机器视觉领域的研究热点,应用场景主要分为单目标跟踪和多目标跟踪.本文主要介绍了单目标跟踪问题,回顾了近年来用于视频单目标跟踪的算法,对单目标跟踪方法进行了分类,并且对每一类中具有代表性的方法进行了介绍,分析了各自的优缺点.最后讨论了单目标跟踪任务中的难点问题和发展趋势,为该方向的研究人员快速了解单目标跟踪技术提供了参考.     

一种有效的随动跟踪方法

针对视频监控系统,提出了一种离散化像机运动的随动跟踪方法,解决了像机运动时对目标检测带来的困难,并弥补了由于单个摄像机拍摄范围的局限性。文中针对像机监控场景,离散化像机转动,建立索引表;通过多帧差分和自适应背景方法提取运动对象,并结合K alm an滤波器和多帧预测思想实现了对特定目标的鲁棒跟踪;综合利用目标的信息、索引表和云台实现了对特定目标的随动跟踪。实验结果表明,该算法对于复杂场景中运动目标的检测和跟踪具有较好的鲁棒性和实时性;对特定目标的随动跟踪具有良好的实时性和稳健性。     

使用轨迹片段分析的监控场景模型建立方法

提出一种对轨迹片段进行分析建立场景模型的方法。首先通过基于双向时空连续性的轨迹片段关联方法,找到属于同一目标的多个轨迹片段;再对目标轨迹形成轨迹片段的原因进行计算分析,得到包括入口、出口、主要路径以及场景内遮挡物信息的场景模型。通过实验证明了该方法可以有效地建立场景模型,并且场景模型可以提高跟踪效果和检测场景中目标的异常轨迹。     

基于DSP的运动目标检测与跟踪系统设计

运动目标检测与跟踪是智能视频监控系统的重要组成部分,其主要功能为检测监控场景中的运动物体,分析其运动轨迹,为高级运动分析提供必要的信息.随着人们对社会安全水平和设备智能化程度要求的提高,运动目标检测与跟踪必将具有广泛的应用前景.针对实时运动目标检测与跟踪,提出了一种基于DSP的运动目标检测与跟踪系统的设计方案,给出了系统总体结构框图,分析了系统工作原理.实现了一种采用结合帧间差分和背景减除的运动物体检测方法,以及一种应用Kalman滤波的运动目标跟踪方法.同时,给出的实验结果表明,该系统能够检测并跟踪特定场合的运动目标.     

一种基于MACA的自适应跟踪算法

针对视频序列图像目标跟踪中经常因场景复杂、目标颜色多样以及目标发生旋转、遮挡和速率变化时丢失目标问题,提出了一种多模式自适应CamShift算法（MACA）.通过将Cam-Shift算法对H分量敏感的特性推广到S、V分量,构造了凸函数组合模型,利用多目标规划最优求解法获取自适应颜色识别最佳组合解,配合倾角识别和基于IIR滤波的目标运动状态信息预测跟踪技术,取得了理想的跟踪效果.将MACA算法应用于自适应实时跟踪系统进行验证性实验表明,该算法具有良好的实时性和鲁棒性.     

一种基于多特征融合的视频目标跟踪方法

针对复杂场景下多特征跟踪算法适应性不强的问题,提出一种多特征有效融合和更新的目标跟踪方法.该方法首先在粒子滤波框架下采用加权融合的方式对目标进行多特征观测和相似性度量,通过分析粒子的空间集中度和权值分布建立一种有效的融合系数计算方法,使融合结果更加准确可靠.然后选取可信度高的特征检测遮挡,并动态调整目标模型的更新速度,以降低算法受目标变化和部分遮挡的影响.实验证明该方法对复杂的跟踪场景具有更强的鲁棒性,并适用于目标被遮挡时的跟踪.     

摄像机运动下的动态目标检测与跟踪

研究摄像机运动情况下的运动目标检测和跟踪问题.给出了一种基于块匹配的背景运动补偿差分方法.将此算法和对称差分法结合,给出了一种动摄像机的运动目标跟踪方法,以复杂场景下的人为跟踪目标进行了实验.取得了不错的跟踪效果.实验结果表明,该方法不仅消除了摄像机运动给目标检测造成的影响,而且检测提取的目标比较完整.该方法实现了对运动目标的大角度跟踪,在单摄像机的视频监控系统中有一定的实用价值.     

采用形态学算子的运动目标检测跟踪方法研究及实现

针对背景动态变化的场景,提出了一种基于全方位视觉的运动目标检测跟踪方法.采用统计方法建立背景模型,并实现背景模型的实时更新;利用减背景法和改进的二值图像连通域算法实现运动区域提取、分割;引入形态学算子计算目标区域体态比和紧密度,过滤背景干扰物;采用卡尔曼滤波与匹配矩阵相结合实现多个运动目标的跟踪;通过目标在HSV颜色空间中的H值、目标间的欧氏距离和目标相交面积等特征融合,提高目标跟踪的鲁棒性.实验表明,所设计的方法能实现实时准确的运动目标检测与跟踪.     

适用于智能球机的高鲁棒性侵入跟踪方法

智能监控球机广泛应用于家居室内智能监控。针对智能球机无法长时间检测、识别、跟踪侵入目标的问题,该文设计了一种结合目标检测、识别、跟踪算法的闭环结构,并采用控制算法控制球机云台转向自动跟随侵入目标。在运动目标检测方面采用vibe算法,在目标识别上采用神经网络识别目标,其中采用ssd网络检测人脸,使用yolov3网络识别人体,识别出跟踪目标后,采用csr-dcf目标跟踪算法进行目标跟踪,跟踪模式下启动模糊pid控制算法控制云台跟随目标转动,锁定目标后由跟踪模式再度切换到目标识别模式,形成一个检测、识别、跟踪、控制的闭环。经过测试,该方法提高了侵入跟踪功能的鲁棒性,在侵入目标快速运动、存在遮挡、暂时消失的情况下均可长期跟踪。     

Tracking of human head with particle filter

To cope with the problem of tracking a human head in a complicated scene,we propose a method that adopts human skin color and hair color integrated with a kind of particle filter named condensation algorithm.Firstly,a novel method is presented to set up human head color model using skin color and hair color separately based on region growing.Compared with traditional human face model,this method is more precise and works well when human turns around and the face disappears in the image.Then a novel method is presented to use color model in condensation algorithm more effectively.In this method,a combination of edge detection result,color segmentation result and color edge detection result in an Omega window is used to measure the scale and position of human head in condensation.Experiments show that this approach can track human head in complicated scene even when human turns around or the distance of tracking a human head changes quickly.     

智能监控中基于头肩特征的人体检测方法研究

针对传统监控系统存在的不足,研究了智能监控中人体目标的自动检测,提出了运动目标头肩模型提取和支持向量机头肩模型验证相结合的新方法,该方法将差分图像的边缘检测与轮廓跟踪相结合,有效地消除了目标影子干扰的影响;利用人体局部形状特征区分人体目标,解决了实际应用场合中人体易受到遮挡的问题;基于支持向量机(SVM)的分类器克服了传统方法在小样本条件下容易欠学习与过学习的问题.实验结果表明,该方法具有较强的鲁棒性和较高的正确率,在智能监控系统中能自动检测运动人体目标,为智能监控中人体目标自动检测和跟踪提供理论和技术基础.     

基于改进SSD模型和自适应滤波算法的水面漂浮物目标检测跟踪方法

水面漂浮物严重破坏河道景观和水生态环境,通过摄像头实施河湖可视化监管以改善河湖面貌,已成为积极落实“河湖长制”政策的重要技术手段。但由于河流环境复杂多样,存在水波扰动、动态光影和强光反射等诸多噪声问题,现有方法难以满足水面漂浮物实际管理需求。本文结合单帧检测与多帧滤波,提出了一种基于深度学习的水面漂浮物目标智能检测跟踪方法。在单帧检测中,删除5*5及以下低分辨率特征图,通过特征求和方式增强76*76高分辨率特征图以提升SSD检测算法在小尺度漂浮物目标的检测精度;在多帧滤波中,基于时空相关性和运动信息构建自适应滤波AF算法框架,计算视频帧中帧与帧之间的关联性,根据漂浮物目标的空间位置的变化幅度自适应删除偏离运动轨迹的漂浮物目标检测结果,以降低漂浮物跟踪漂移;在信息融合阶段,通过特征对比融合检测和滤波信息,实现检测信息和跟踪信息动态互补,并以不同检测跟踪场景数据集进行训练与验证。结果表明：在简单水面场景下中心位置误差为8个像素点时该方法的检测跟踪精度达到100%,成功率面积为0.94,平均速度达到17.27FPS,计算复杂度为7.18Billion;在复杂水面场景下中心位置误差为10个像素点时该方法的跟踪精度和成功率面积分别为93.24%和0.81,平均速度和计算复杂度分别为15.02FPS和8.76Billion,在复杂环境下兼顾了检测跟踪精度和效率。     

基于特征向量跟踪的数据压缩MMSE多用户检测

为解决只有特征向量跟踪的子空间跟踪算法不能应用于MMSE多用户检测的问题.应用数据压缩技术提出一种只基于特征向量跟踪的数据压缩MMSE多用户检测方法,其计算复杂度为O(NK).利用FDPM子空间跟踪算法进行了计算机仿真.仿真结果表明,这种检测方法的性能是良好的.     

基于区域合并与轮廓模型的图像序列人物轮廓分割

为解决受图像背景复杂度影响,分水岭算法较难高精度实现图像序列中人物轮廓的分割与追踪这一问题,提出了利用颜色空间转换的区域合并实现目标轮廓区域的划分、并基于人物头部轮廓信息生成人物领域轮廓模型的方法。通过对人物领域边界线生成的初步轮廓模型进行高斯函数的卷积运算,生成形态轮廓模型的有效对象模板,实现图像序列的人物领域中不依靠序列差分和移动向量亦能在图像序列中追踪移动对象。基于颜色空间转换的区域合并和轮廓模型算法,可满足视频背景变动并且背景复杂的情况下对图像序列中的人物轮廓进行有效分割。实验结果验证了本算法的有效性与鲁棒性,可有效而稳定实现图像序列中人物轮廓的分割。     

The combined FSS-SPRT method for detection and tracking of low SNR point targets

For the detection and tracking of dim point targets with SNR 〈 2 dB, the combined SPRT and FSS method is given to accomplish detection in whicb likelihood testing are carried out twice to prune constantly. Firstly, the SPRT is developed aiming at the heuristic segments formed by correlation analysis. In order to avoid missing detection the threshold is chosen much lower. Secondly, by adding samples and choosing the one most similar to the heuristic segment to make state estimation FSS is implemented. This time we choose a higher threshold. Moreover in preprocessing the compound kernel estimation is designed to depress varying background clutter. Multiple experimental sequences validate that the method is more suitable for the dim targets detection and tracking compared with the scheme choosing the higher intensity pixel in tracking. It not only has perfect detection performance but also can greatly enhance tracking performance.     

机动目标跟踪波形和检测门限自适应算法

由于现有雷达目标跟踪波形和检测门限自适应算法大多围绕以距离、距离率作为量测的一维运动目标展开,忽略了角度对目标跟踪的影响,从而无法对目标进行跟踪定位。为此,提出一种杂波背景下针对二维机动目标跟踪的雷达波形和检测门限联合自适应算法。首先,对传统基于时延-多普勒分辨单元的理论作进一步扩展,设计出一种包含距离-距离率和方位为量测的具有“棱柱”结构的分辨单元;然后,给出了包含波形参数和检测门限的量测误差协方差的联合近似表达式;最后,利用认知雷达思想,以滤波误差协方差的迹最小为代价函数自适应选择下一时刻的波形参数和检测门限,以提高系统的跟踪性能。仿真结果表明,波形和检测门限联合自适应算法的跟踪性能要明显优于传统的固定参数跟踪算法。     

自适应权值卷积特征的鲁棒目标跟踪算法

针对传统基于固定权值卷积特征的深度学习跟踪算法在部分视频跟踪失败的问题,提出一种新颖的基于响应图和熵函数的评估各卷积神经网络层跟踪性能的方法. 该方法能根据评估结果自动调整各层的权值系数;同时引入边界框检测机制,当跟踪响应最大值小于给定阈值时,采用滑动窗口采样一定数量的边界框,并对边界框进行评估,生成初始建议边界框;最后在初始建议边界框的基础上进行相关滤波跟踪,并给出模型更新策略。 将文中算法与其他9种算法在OTB-2013视频数据库上进行跟踪仿真,实验结果表明,所提算法具有较高的中心点距离准确率和跟踪成功覆盖率。     

多摄像机间基于最稳定极值区域的人体跟踪方法

为实现多摄像机视频监控系统中的人体跟踪,提出了一种以最稳定极值区域作为匹配特征的人体跟踪方法.该方法使用图像的灰度信息,在一定程度上减小了摄像机增益及光谱特性对人体跟踪造成的影响.通过把人体跟踪转化为椭圆形区域的匹配,算法将最稳定极值区域拟合成椭圆形区域,在此基础上,选出符合约束条件的候选椭圆形区域,并将其归一化为单位圆形区域,通过在圆形区域内计算旋转不变量、进行直方图密度估计和计算加权平均距离实现椭圆形区域的正确匹配,从而实现多摄像机间的人体跟踪.实验结果表明:该算法可有效实现多摄像机间的人体跟踪.