一种融合特征点与运动补偿信息的运动目标检测新算法

动态背景下的运动目标检测在汽车辅助驾驶、机器人导航等领域具有广阔应用前景。提出一种融合特征点运动信息和运动补偿信息的运动目标检测方法,解决以往基于单一特征,运动目标检测完整性差的问题,同时提高运动目标的检测准确率。首先,通过特征点检测跟踪,对图像进行分块运动估计,获得背景特征点的帧间运动模型,通过衡量特征点真实运动位置与运动模型的匹配程度,构建特征点的运动度量函数,从而获得特征点的运动信息。接着,利用背景特征点帧间运动模型,计算图像像素点的运动补偿图像,构建像素点的多帧运动补偿差异度量函数,从而获得像素点的运动补偿信息。最后,将特征点运动信息与运动补偿信息融合,获得运动目标检测结果。实验结果表明了该方法的有效性。     

结合单高斯与光流法的无人机运动目标检测

针对无人机场景下运动目标检测对实时性要求高,运动背景、环境光照易变化等问题,提出一种结合单高斯与光流法的运动目标检测算法.首先,对运动相机捕捉的图像采用改进的单高斯模型进行背景建模,并融合前一帧图像的多个高斯模型来进行运动补偿,然后,将得到的前景图像作为掩模来提取特征点和进行光流跟踪,并对稀疏特征点的运动轨迹进行层次聚类.实验结果表明,该算法能有效地处理运动相机造成的前景对背景模型的干扰,背景建模速度快,对光照变化不敏感,检测出的目标接近真实目标.     

基于灰度直方图的运动目标特征检测算法

为提高运动目标的检测效果和指导性，提出一种基于灰度直方图分析的运动目标特征检测算法。采用视觉成像技术进行运动目标图像采集和视觉特征分析，提取运动目标的动态视觉特征量。根据运动目标边缘差分变换和空间位置关系进行运动图像的特征分离，提取运动目标图像的边缘轮廓特征量。采用统计形状模型进行运动目标图像的二值化分离，构建运动目标图像的灰度直方图。根据灰度直方图中的统计信息进行目标特征检测和动态特征提取，实现运动目标图像的视觉检测和动态识别，有效提取运动目标的关键特征，实现目标特征检测。仿真结果表明，采用该方法进行运动目标图像的特征检测性能较好，对运动目标的动态识别能力较强。     

在线高斯混合模型和纹理支持的运动分割

运动分割是基于视频的运动分析中的基本问题．通过颜色和纹理特征的线性组合,实现了一种新的检测运动目标的算法．在线高斯混合模型不仅用于对背景进行更新,而且也用于计算像素颜色差异和颜色权值;纹理特征用于描述局部区域内的结构信息,提高了运动检测算法的鲁棒性．对不同场景的运动分割结果表明,该算法是高效和实用的．     

基于SIFT特征匹配和动态更新背景模型的运动目标检测算法

运动摄像机情况下的运动目标检测是视频监控中的难点和热点问题。为了能够有效地检测出运动目标,提出了一个基于SIFT（Scale Invariant Feature Transform）特征匹配和动态背景建模的背景差算法。首先利用SIFT算法提取特征点,采用RANSAC（Random Sample Consensus）方法求得仿射变换模型参数并实现图像的全局运动补偿,然后用背景差方法实现运动目标的检测,同时进行阴影和鬼影的去除。SIFT特征点匹配的准确性和RANSAC方法去除异常点的有效性使得仿射变换模型参数计算准确,动态更新背景模型的背景差则完整地检测出了前景目标。与Ninad Thakoor实验结果对比说明：该算法能够准确地检测出运动目标,并且保持了前景目标的完整性。     

基于改进的背景差分的运动目标实时检测算法

针对传统混合高斯建模算法计算量过大与目标轮廓清晰度小的问题,提出了一种新的运动目标实时检测算法。该算法引入三帧差分的方法,提高了检测目标轮廓的清晰度;通过HSI混合高斯建模前进行分块处理有效减小了计算量,因此算法的实时性有了明显的改善;并利用逻辑运算融合三帧差分与HSI混合高斯模型进行高效的背景提取;最后运用数学形态学方法进一步优化检测结果。实验结果表明,相比混合高斯模型经典算法,该算法能更快速、更准确地检测出智能监控视频序列中的运动目标,并且目标轮廓清晰度也有明显的改善。     

改进混合高斯模型的运动目标检测与跟踪算法

针对混合高斯模型的运动前景更新难题,为了提高运动目标跟踪精度,提出一种改进高斯混合模型的目标检测与跟踪算法;首先提取目标特征建立目标分类器,并将目标从前景标记出来;然后通过多目标跟踪将目标分为多种运动模式;最后采用高斯混合模型对目标进行跟踪与分类,并采用仿真实验测试算法的性能;结果表明,文章算法不仅提高了目标检测与跟踪精度,而且可以满足目标跟踪的实时性要求.     

基于高斯背景建模和时间差分法的目标检测研究

运动检测算法的目的是在视频流中提取运动目标。主要的检测方法有:基于特征的运动检测技术、光流法、时间差分法、背景减除法。在研究中提出了一种基于混合高斯建模方法和改进帧间差分法相结合的运动检测方法。方法第一步建立高斯背景模型,对运动目标进行提取,第二步来使用改进的三帧差分方法对提取的物体做进一步的检测,以得到更精确的运动目标图像,第三步用仿真实验对研究算法进行分析与检测。     

基于多演示动作基元参数化学习的机器人任务泛化

针对机器人示范学习过程中任务泛化与动作轨迹泛化问题,提出了一种将多演示动作轨迹的任务参数化学习与动作序列推理相结合的方法.针对通用动作基元的多演示轨迹样本,利用动态运动基元进行轨迹编码并建立任务参数化模型,利用高斯过程回归学习外部参数与模型参数之间的映射.针对新的任务实例,利用规划域定义语言推理缺失动作序列,任务参数化模型根据新的外部参数泛化出动作的目标轨迹,并修正轨迹误差.在UR5机器人上的实验表明,面对不同任务实例和环境变化,该方法可灵活生成动作序列并调整泛化目标,基于多演示的任务参数化模型能够对给定外部参数泛化出平滑的目标轨迹,泛化效果优于单一演示轨迹,提高了机器人任务泛化的能力.     

基于改进的混合高斯模型的运动目标检测

提出了一种改进的混合高斯背景模型方法,克服了传统混合高斯背景建模方法计算时间长的缺点。通过对视频图像中运动目标区域进行背景建模,减小了每一帧的背景建模区域,同时在提取运动目标区域前先对初提取的前景目标进行中值滤波,减小运动目标区域的范围,进一步压缩了背景建模的时间。最后通过与时间平均背景建模和传统混合高斯背景建模方法进行比较,验证了本文算法的高效性。     

基于动态系统的机器人模仿学习方法研究

针对当前机器人模仿学习过程中,运动模仿存在无法收敛到目标点以及泛化能力差的问题,引入一种基于动态系统（dynamical system,DS）的模仿学习方法。该方法通过高斯混合模型（gaussian mixture model,GMM）将示教运动数据建模为一非线性动态系统;将DS全局稳定的充分条件作为约束,以保证DS所生成的所有轨迹收敛到目标点;将动态系统模型的参数学习问题转化为求解一个约束优化问题,从而得到模型参数。以7bot机械臂为实验对象,进行仿真实验和机器人实验,实验结果表明:该方法学习的DS模型从不同起点生成的所有轨迹都收敛到目标点,轨迹平滑,泛化能力好。     

利用共享动态隐变量模型估计三维人体运动

可视媒体中的基于学习的三维人体运动分析是计算机视觉领域中非常有挑战性的课题.本文在Gauss动态隐变量模型与共享隐结构的基础上,给出一种新的共享动态隐变量模型用于三维人体运动跟踪.该模型针对高维非线性动态系统,可以计算出高维状态向量和高维观测向量的共享动态低维隐变量,同时也能计算出隐变量对高维状态向量、高维观测向量的双向映射、以及隐变量自身的动态关系.使用该模型可以将传统的高维人体运动估计分层为先估计低维隐变量状态,再重建高维人体运动.在实验结果中,用仿真图像序列与真实图像序列证明了方法的有效性.     

一种基于高斯混合模型的轨迹预测算法

在智能交通控制系统、军事数字化战场、辅助驾驶系统中,实时、精确、可靠的移动对象不确定性轨迹预测具有极高的应用价值.智能轨迹预测不仅可以提供精准的基于位置的服务,而且可以提前监测和预判交通状况,进而推荐最佳路线,已经成为移动对象数据库研究的热点,亟需设计准确而高效的位置预测方法.针对现有方法的不足,提出了基于高斯混合模型的轨迹预测方法GMTP,主要步骤包括:(1) 针对复杂运动模式利用高斯混合模型建模;(2) 利用高斯混合模型计算不同运动模式的概率分布,进而将轨迹数据划分为不同分量;(3) 利用高斯过程回归预测移动对象最可能的运动轨迹.GMTP是高斯非线性概率统计模型,其优势在于:计算结果不仅是位置预测值,更是关于移动对象未来所有可能运动轨迹的概率分布,可以利用概率统计分布特性获得某种运动模式(如匀加速运动)下的位置预测.大量真实轨迹数据集上的实验结果表明:与相同参数设置下的高斯回归预测和卡尔曼滤波预测法相比,GMTP的预测准确性平均提高了22.2%和23.8%,预测时间平均缩减了92.7%和95.9%.     

Possible kinematic law of living being motion

In this paper, we have defined special dynamical equilibrium and special dynamical equilibrium motion (which we call reset state and reset motion respectively), as a motion for which the chosen direction determined by two points of the moving body is always collinear with total measurable acceleration in respective points. Total measurable acceleration is defined as the acceleration obtained as a vector sum of negative gravitational acceleration (represented as equivalent central acceleration) and the vector of Newton’s total acceleration. Kinematic laws which have to be satisfied regardless of the shape of reset motion, two chosen points, and direction defined by points, are found. We give here a thesis of kinematical relationships for the generation, realization, and maintenance of general reset motion, by which we simulate the motion of a mechanical system. Our approach does not analyze the concrete realization of mechanical systems; instead, we describe the laws concerning the motion of a deformable-spaced element whose subspaces later can overlap with parts or completely over any solid body or elastic mechanical system. It is shown that relationships are valid in the case when the observed direction of the deformable-spaced element moves parallel to and periodically around the direction of reset motion for that body. Also, the procedure for generating the reset motion of a deformable-spaced element is presented. We have also defined a set of sensors that the element of deformable space should be equipped with in order to detect, generate, and control reset motion. As an example, we have given the shape of the periodic trajectory of one deformable-spaced point around its reset motion which is generated by impulses. Typical humanoid positions for such motion are presented.     

Gaussian process dynamical models for human motion

We introduce Gaussian process dynamical models (GPDM) for nonlinear time series analysis, with applications to learning models of human pose and motion from high-dimensionalmotion capture data. A GPDM is a latent variable model. It comprises a low-dimensional latent space with associated dynamics, and a map from the latent space to an observation space. We marginalize out the model parameters in closed-form, using Gaussian process priors for both the dynamics and the observation mappings. This results in a non-parametric model for dynamical systems that accounts for uncertainty in the model. We demonstrate the approach, and compare four learning algorithms on human motion capture data in which each pose is 50-dimensional. Despite the use of small data sets, the GPDM learns an effective representation of the nonlinear dynamics in these spaces.     

闪烁噪声下基于模型集合切换的机动目标跟踪算法

在目标跟踪过程中,由于目标与传感器相对位置的变化以及目标不同部位的反射干扰,传感器测量数据中的测量噪声不再是严格意义上的高斯噪声,而变为具有长拖尾特性的闪烁噪声,而闪烁噪声的出现将严重影响线性卡尔曼滤波器的滤波性能。机动目标跟踪算法应同时考虑目标运动模式变化和闪烁噪声出现对滤波过程的影响。将滤波方程集合划分为包含不同目标运动模式的模型集合,提出了基于模型集合切换的机动目标跟踪(MSSM)算法。仿真结果验证了MSSM算法的有效性。     

人体运动的非线性降维及新运动生成

为了提高现有运动数据的可重用性,生成更为丰富的新运动,提出快速自适应比例高斯过程隐变量模型,以及基于该模型的人体运动数据降维及运动生成方法.通过对运动数据进行统计学习,获得运动数据在隐空间的一个低维映射来实现非线性降维,同时获得了该运动的姿态空间的概率分布,其大小反映了该姿态的自然逼真程度;在给定末端约束条件下求取满足约束的、同时概率最大的姿态,并将其作为逆向运动学的解,克服了传统逆向运动学算法计算烦琐、效果不逼真的缺点.实验结果表明,该模型具有更快的收敛速度和更高的收敛精度,同时能够自适应运动编辑的方向,有效地扩大运动的可编辑幅度.     

基于均方根容积卡尔曼的δ-GLMB多目标跟踪算法

在非线性高杂波密度场景下,高斯混合(Gaussian Mixture,GM)实现的δ-广义标签多伯努利滤波器(δ-Generalized Labeled Multi-Bernoulli Filter,δ-GLMB)难以准确地估计目标数目及运动状态。针对这一问题,提出基于均方根容积卡尔曼滤波(Square-rooted Cubature Kalman Filter,SCKF)的δ-GLMB高斯混合实现算法。基于三阶球面-径向容积准则选取一组等权的容积点集,对GM-δ-GLMB滤波器的伯努利分量传递过程中的高斯参量进行预测及更新,实现非线性模型系统下的目标跟踪。仿真结果表明,与现有的δ-GLMB滤波器的扩展卡尔曼滤波(Extended Kalman Filter,EKF)高斯混合实现及无迹卡尔曼滤波(Unscented Kalman Filter,UKF)高斯混合实现相比,该算法可提高非线性高杂波密度环境下的目标跟踪精度。     

基于高斯金字塔的图像运动估计算法

运动估计是图像超分辨率重建中的关键环节,直接影响超分辨重建的结果质量。为减少运动估计搜索点数,提高搜索速度,提出一种基于高斯金字塔分层思想的小十字形搜索算法。算法把图像构建成一个两层高斯金字塔,在上层使用小十字形搜索算法估计初始运动矢量,并通过提前终止策略来提前结束搜索;在下层以上层估计结果作为初始值,估计最终图像运动矢量。在标准图像序列上进行的实验结果表明,该算法在保持搜索精度的前提下能明显提高搜索速度;特别对于在运动偏差较大的情况下,提高效果更显著。     

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。