基于运动区域检测的运动目标跟踪算法*

针对传统基于模板匹配的运动目标跟踪算法存在着计算量大、模板漂移导致跟踪失败的问题,提出了一种基于运动区域检测的运动目标跟踪算法。该算法通过采用光流法对目标运动区域进行估计,计算出光流场区域的形心,确定待匹配图相匹配范围,再用模板框在已确定区域进行模板匹配跟踪。根据某开放实验室行人录像跟踪实验表明,本算法能够有效解决模板漂移问题,提高了跟踪实时性, 实现了视频对象目标的跟踪。     

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。     

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。     

基于RSA-FCM算法的运动目标跟踪

运动目标跟踪领域的研究常用颜色直方图作为统计特征, 效果良好但也具有易受光照变化影响等缺点, 运用模糊颜色直方图的跟踪方法能解决以上问题. 针对传统模糊聚类方法中的不足之处, 提出了基于RSA-FCM算法的运动目标跟踪算法, 即在模糊聚类过程中使用随机采样策略确定聚类初值, 同时运用自适应模糊聚类模型进行运算, 提高了跟踪的速度和精度. 实验对比表明, 本文提出的算法在运动目标跟踪准确性和实时性较传统算法都有改进.     

基于区域相似信息的自适应运动目标检测算法

当视频监控中存在动态背景干扰、鬼影现象和静止目标时,ViBe算法的检测性能较差。针对该问题,提出一种改进的ViBe算法。通过Otsu算法得到图像的动态阈值,提高算法在动态背景中的抗干扰能力,同时结合区域相似度判断鬼影、拖影或静止目标区域,自适应地对不同类别区域像素进行更新抑制。实验结果表明,改进算法在动态背景中表现出良好的鲁棒性,能够有效抑制鬼影以及静止目标产生的拖影,在保证实时性的前提下较原算法检测精度和综合评价指标F值分别提高0.309和0.2,具有更好的检测效果和检测性能。     

基于摄像机运动控制的运动目标检测与跟踪算法研究

本文提出基于摄像机运动控制的运动目标的一种检测与跟踪算法。首先预设多幅参考背景图像差分方法检测运动目标区域,然后采用投影法快速确定运动目标体的位置及移动方向,来控制摄像机转动预设角度跟踪移动目标。该方法实现了将运动目标跟踪置于画面的最佳观测位置,针对大多数摄像机位置固定的场所,该法具有较大的广泛适用性。     

检测区域动态调整的TLD目标跟踪算法

针对经典跟踪-学习-检测(TLD)目标跟踪算法由于检测区域过大而导致的检测时间过长及对相似目标跟踪处理效果不理想的问题,提出一种检测区域可动态自适应调整的方法——TLD-DO。该方法利用两次Kalman滤波加速度矫正预测的检测区域优化算法DKF,通过缩小TLD检测器检测范围,以达到在跟踪精度略有提升的情况下提高跟踪速度的目的;同时此方法可排除画面内相似目标的干扰,提高在含有相似目标的复杂背景下目标跟踪的准确性。实验结果表明:TLD-DO算法在处理不同视频与跟踪目标时,检测速度有1.31~3.19倍提升;对含有相似目标干扰情况下,跟踪效果明显优于原TLD算法;对目标抖动及失真情况有较高的鲁棒性。     

基于达芬奇平台的运动目标跟踪算法

在运动目标跟踪过程中,考虑到达芬奇平台的数据处理能力,结合Vibe算法和Mean Shift算法的思想提出一种改进的运动目标跟踪算法,同时为了解决Vibe算法在目标由运动变为静止后遗留在前景图像中的鬼影难以消除的问题,对视频图像序列中的每个像素点建立前景计数器,根据前景计数器的值判断背景模型的更新速度。针对达芬奇平台对算法进行优化,把改进的运动目标跟踪算法移植到TMS320DM6467T达芬奇平台下进行处理,实验结果表明改进的算法具有良好的跟踪效果。     

基于DSST的运动目标跟踪算法研究

针对传统MeanShift目标跟踪算法中运动目标有速度较快或者尺度变换时,而不能准确进行跟踪的问题,引入了DSST运动目标跟踪算法.该算法加入了多尺度估计,并且在样本提取时采用多维特征,可以较好的估计下一帧中运动目标的位置.本文分析了DSST算法的原理,并进行了实验仿真.实验结果表明,DSST的运动目标跟踪算法能较好的...     

基于形状感应的运动目标跟踪算法

Mean-Shift算法无法自动跟踪目标,且对目标形状要求较苛刻。针对该问题,提出一种基于形状感应的运动目标跟踪算法,采用混合高斯分布对背景建模,协助Mean-Shift算法自动定位初始目标,增加描述形状的协方差参数,使跟踪能感受到目标形状的变化。实验结果表明,该算法基本解决了自动定位问题及形状变化问题,在保证实时性的前提下,跟踪准确度提高40%以上。     

基于改进CAMShift的运动目标跟踪算法

针对视频序列图像目标跟踪中Mean Shift算法提取目标颜色特征易受背景影响的问题,首先选取非线性核密度估计方法用来进行运动目标的检测,然后采用CAMShift方法对检测到的目标进行跟踪,并结合非线性核密度估计的检测结果对目标直方图进行自适应更新。还针对目标的遮挡问题给出解决方法。实验结果表明,引入背景减法与CAMShift相结合的策略,能够实现运动目标的自动跟踪,并实现目标直方图的自适应更新。该算法的可靠性能满足实时检测的要求,较好地解决了光照变化、阴影及遮挡等造成的影响。     

基于PSO算法的运动目标跟踪研究

提出一种基于PSO的运动目标跟踪方法,并在TMS320DM642上实现.该方法首先针对采集到图像的Y分量通过帧间差分和背景差分相结合的方法建立背景模型,然后检测出前景运动目标,接着通过前景运动目标初始化目标模板,再对目标模板和待跟踪视频图像分别进行两次金字塔降采样,降低目标模板和待跟踪视频图像的分辨率.在顶层金子塔上采用粒子群优化算法对跟踪目标进行粗定位,在中间层和底层金字塔上采用钻石搜索方法对跟踪目标进行精确定位.在目标跟踪的过程中,目标模板随运动目标的变化而不断更新,实现对目标的实时连续性跟踪.该方法可以有效降低计算复杂度,提高搜索效率.     

基于视觉感知的运动目标跟踪算法

针对运动目标跟踪问题, 为解决跟踪过程中因遮挡、目标尺度变化等易造成跟踪失败的现象, 提出一种基于视觉感知的跟踪算法。该算法以神经元响应为视觉特征, 首先从自然图像中学习初级视皮层细胞感受野; 然后计算背景图像和视频序列图像的神经元响应并得出差值, 与动态阈值比较, 识别出运动目标, 通过迭代实现目标跟踪。多类别实验结果表明, 该算法实现了运动目标稳定跟踪, 目标跟踪准确率达93. 5%且鲁棒性增强, 与典型算法Camshift和SIFT相比, 提高了跟踪算法的准确性和鲁棒性。     

基于OpenCV的运动目标检测与跟踪

基于OpenCV开源平台开发了一种多运动目标检测和跟踪的自动化智能方案.针对多个运动目标在复杂场景中的情况,无法根据背景差和帧间差的方法来确定目标是否首次出现,根据新目标期望出现的位置范围和轮廓面积大小采用筛选法来判断目标的性质.利用CAMShift跟踪算法提取每个目标的颜色特征信息,实现对多个运动目标的跟踪,最后将运动目标的轮廓和运动轨迹描述出来.实验结果表明,在目标颜色特征明显的情况下文中方法具有很好的鲁棒性和精确性.     

基于运动区域的多目标检测

运动目标的检测在天文观测、气象分析、安全监视、交通管制等许多领域有着广泛的应用，它是机器视觉研究的重要课题。本文提出了基于运动区域的多目标检测方法，有效地解决了同一运动目标在序列图像中“远小近大”的问题，运用运动区域正确地检测出运动目标在序列图像中的位置。     

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法．它以一种改进的自适应混合 高斯模型为背景更新方法，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实 现对运动目标的连续跟踪．在目标跟踪时，该算法针对目标遮挡引起的各种可能情况进行了 分析，引入了对运动目标的可靠性度量，增强了目标跟踪的稳定性和可靠性．在对多个室外 视频序列的实验中，该算法显示了良好的性能，说明它对于各种外部因素的影响，如光照变 化、阴影、目标遮挡等，具有很强的适应能力．     

基于卡尔曼滤波的多区域关联运动目标跟踪

针对视频目标跟踪中的遮挡及跟踪漂移问题,提出一种基于卡尔曼滤波的多区域关联运动目标跟踪算法。该算法将目标划分为多个区域并构建无向图,通过卡尔曼滤波预测出各区域中心,再结合灰度直方图匹配及相邻区域的位置关系,计算出各区域观测中心,最后应用卡尔曼滤波修正观测中心实现跟踪。对两区域人体目标跟踪的实验结果表明,与各区域单独采用Mean Shift跟踪算法相比,所提算法在目标遮挡、目标与背景特征相似的情况下,依然具有较好的鲁棒性和实时性。     

基于细胞神经网络运动目标跟踪算法研究

运动目标跟踪是模式识别、图像处理、计算机视觉等领域的重要课题,它把图像处理、自动控制、信息科学有机结合起来,针对背景是静止的运动物体图像序列,提出了基于细胞神经网络移动目标跟踪,该算法大部分采用细胞神经网络结构,能够实现高效、快速的移动目标跟踪,可以满足实时需要,在实验基础上验证了该算法的有效性。     

一种检测区域动态更新的目标跟踪算法

TLD(Tracking-Learning-Detection)是针对视频中未知物体的长时间跟踪算法.当目标跟踪受到光照、遮挡和旋转等因素干扰时,TLD算法无法实现视频目标准确跟踪.针对TLD存在的问题,提出了一种改进的TLD动态更新检测区域的目标跟踪算法.采用压缩跟踪作为跟踪模块,并且增加了对压缩跟踪模块和检测模块运行效果的评估,根据评估结果来调整压缩跟踪模块和检测模块所占的权重,更准确预测目标的位置.在每次检测之前根据前一帧目标的位置和目标的历史运动速度选定一个动态更新的检测区域,缩短了检测模块和学习模块的运行时间.通过实验对原始TLD和改进后的TLD进行了对比测试,结果表明,改进后的TLD算法较原始TLD算法具备更高的跟踪成功率和更快的处理速度.     

基于ABCshift算法的目标检测与跟踪

针对Camshift算法需要人为定位的问题,利用帧间差分法检测运动目标的初始位置,采用ABCshift算法连续更新背景模型,自动降低类目标色在颜色概率分布图中的密度值,从而实现准确的目标检测与跟踪。实验结果表明,该方法可以解决Camshift算法进入大面积类目标色背景下目标跟踪效果不理想的问题,在复杂背景下具有较好的适应性。