基于区域活动轮廓运动目标跟踪方法研究

根据贝叶斯估计理论，首先建立了图像序列中运动目标的跟踪模型，然后用高斯分布来描述图像的区域信息，并通过对模型的分析，与区域活动轮廓模型建立对应关系，将问题的求解转化为能量最小化问题。同时为了克服目标在运动中发生的拓扑形变，采用水平集方法进行数值实现。实验结果表明，这种方法不仅可以对多个运动目标进行跟踪，并能非常好地逼近运动目标的轮廓，而且能够自然地处理运动目标的拓扑形变。     

背景提取和水平集相结合的运动目标轮廓提取方法

提出一种基于背景提取和水平集的方法来进行运动目标的检测和轮廓提取。首先,通过一种改进的背景提取法将视频序列中的背景提取出来,然后通过结合背景差分结果和帧间差分结果检验出运动目标的运动区域,以检验出的运动区域的外接矩形为初始曲线,应用一种无需初始化的水平集的方法进行运动目标轮廓的提取。仿真实验表明,该方法能够实时有效地对运动目标轮廓进行提取。     

基于静止分割和运动矢量的对象跟踪

运动对象的分割和跟踪是视频图象处理的一个很重要和困难的部分。提出一种非常有效的对象跟踪算法,能够检测到当前帧给定区域的对象并跟踪,不需要事先了解此对象的空间－时域的信息,也不需要进行镜头运动补偿。静止分割分用Watershed算法,而运动矢量用块匹配法。尽管所要跟踪对象会经历某些形变,依旧能获得较好的结果。     

短程线主动轮廓跟踪算法的研究--在复杂背景和非刚性运动目标跟踪中的应用

在复杂背景下对多个非刚性目标进行跟踪是计算机视觉中的一个难点。在短程线主动轮廓模型的基础上，利用力场正则化方法，并加入运动边缘信息，提出了一种在复杂背景下多个非刚性目标进行跟踪的方法。该方法由运动检测和跟踪两部分组成：运动检测利用运动边缘信息对运动目标的运动做出检测，让轮廓曲线运动到目标轮廓附近；跟踪利用当前帧中的静态边缘信息对运动检测的结果加以修正，而跟踪这一步引入的偏差将在下一帧的运动检测中得到修正。实验表明该方法能够有效地在复杂背景中对多个非刚性运动目标进行跟踪。     

基于动态背景构造的视频运动对象自动分割

提出了一种基于动态背景构造的视频运动对象自动分割算法．首先,基于前景分离的动态背景构造技术使用与当前帧相邻的前后多帧图像中的背景信息准确地构造当前背景;然后,通过背景消除分割出运动对象,同时对静态前景区域（即帧间静止的运动对象区域）进行检测并将其合并到已分割出的对象区域上,从而获得完整的对象区域;最后,以对象区域的边缘为初始位置,使用以彩色梯度为外部能量的活动轮廓（snake）算法获得精确的对象轮廓．实验结果表明,该文算法有效地克服了显露背景和对象的不规则运动对分割准确度的影响,能够准确地实现视频运动对象的自动分割．     

帧差累积和减背景相结合的运动对象分割方法

针对低比特率的多媒体视频序列,提出了一种综合利用帧差累积和背景减法来进行运动对象分割的方法。由一种改进的帧差累积方法得到初步的运动对象区域,通过背景减法得到运动对象区域,把由两种方法得到的运动对象区域相结合取得完整准确的结果,二值化后再经过形态学处理和二次扫描填充即可得到运动对象掩模,用原图像的灰度值填充该区域。实验表明,该方法快速,准确,并有一定的应用价值。     

自适应融合颜色和深度信息的人体轮廓跟踪

采用活动轮廓对人体目标建模,提出一 种新的水平集框架下自适应融合RGB-D图像的颜色和深度信息的人体轮廓跟踪方法. 设计了一种基于超像素的局部自适应权重计算方法,自动确定深度信息在水平集演化中的重要性. 基于深度信息的活动轮廓驱动外力包括由边缘生成的梯度向量流和由目标/背景深度模型生成的置信图,基于颜色信息的驱动外力由目标/背景颜色模型生成的置信图,这三种外力通过局部自适应权重融合,驱动活动轮廓向目标的边界演化.为了得到更加精确的目标轮廓和防止误差漂移,基于本文观察到的人体表面在深度图像中的两个特性,提出两个简单但有效的算法对水平集方法得到的结果进行精化调整. 最后,通过实验验证了本文算法的优越性.     

基于区域生长的Meanshift动态变形手势跟踪算法

针对传统Mean shift算法在手势跟踪中由于搜索窗口内手势背景像素改变所导致的跟踪精度不高,以及算法本身由于手势模型更新所引起的时间消耗较多等问题,提出一种基于区域生长与Mean shift算法相结合的动态变形手势跟踪算法。该算法在跟踪初始阶段通过帧间差分法对手势中心完成自动初始化,利用区域生长算法采集手势样本点,并通过Mean shift算法对目标中心进行精确定位。实验结果表明,该方法能够对动态变形手势实现精确实时的跟踪,可较好地降低算法的时间复杂度,保证运动目标跟踪的稳定性和连续性。     

静态背景下运动对象检测的设计与实现

对静态背景下运动对象的检测方法进行研究,设计并实现了基于背景差分法的运动对象检测方法。该方法首先通过学习视频图像的每一帧建立高斯分布背景模型,构造初始背景图像;然后运用背景差分算法,得到运动对象,并对背景图像进行更新,得到实时的背景图像;最后利用背景图像和当前帧图像的差分图像,在二值化和形态滤波的处理后,获得运动目标。该方法提高了背景建模的质量,对外界环境的变化具有一定的适应性。     

运动检测中的背景建立和更新

在传统的差分算法基础上,提出了一种新的背景的建立和更新的解决方法。在背景建立阶段提出了在空域基于象素灰度出现频率最大值的改进快速算法,完成原始背景的建立;在检测阶段,采用自适应Kalman滤波器参数学习完成当前背景的更新。     

一种改进的基于背景差分的运动目标检测方法

文中在介绍运动检测方法的基础上,阐述了背景差分运动检测算法的优缺点。文章为实现高效的运动检测目的,提出了改进的基于背景差分的检测方法,体现在改进的基于帧间差分实现的背景建模算法以及改进的自适应背景更新算法,综合实现了基于背景差分的运动目标检测。针对背景差分受环境约束较大的缺点,改进措施能够很好地完成效果较理想的运动检测。实验结果表明,使用文中改进的背景差分进行运动目标检测,能够趋近于得到真实的没有运动目标的背景,其次实现了背景能够很好地自适应更新以适应环境的变化,使得最终的运动目标检测取得了良好的实验效果。     

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.     

一种基于主动轮廓模型的运动目标跟踪方法

分析了几种经典主动轮廓模型（即Snake）的优缺点．针对传统Snake在应用于目标跟踪时的一些缺陷,设计了自动初始化轮廓的算法．采用四邻域交替搜索法取代八邻域搜索方法以减少计算开销,并给出了一种较为实用的基于Snake的运动目标跟踪方法．通过实验证明了本方法的可行性．     

基于背景差分法和CAMShift法的运动目标跟踪系统的设计与实现

针对云台摄像头转动时会暂时性丢失跟踪的运动目标的问题,提出了一种基于背景差分法和连续CAMShift法的运动目标跟踪系统的设计方案。该系统在云台摄像头静止的情况下采用改进的背景差分法检测运动目标,在云台摄像头转动的过程中采用连续CAMShift法跟踪运动目标,并通过型心坐标追踪运动目标的轨迹。仿真结果表明,结合背景差分法和连续CAMShift法的运动目标跟踪系统在一定程度上满足了实时性与稳定性的要求。     

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。     

人体运动目标的检测与跟踪

提出了一种静止背景的情况下人体运动目标的检测与跟踪的新方法.该方法利用背景差分法与粒子滤波器算法相结合.首先,利用背景差分法可检测运算出人体运动区域的大小和形心,在一定的时间间隔t(t＜＜1s)后,再次利用背景差分法经运算可得到人体运动的速度,然后运用粒子滤波器算法利用背景差分所获得的人体运动区域的大小、形心、速度三个参数建立跟踪模型.实验结果证明,该方法对人体目标跟踪是快速且有效的,并且有很好的鲁棒性.     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背蒂模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验．比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。     

基于背景建模的运动目标检测

介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。