基于计算机视觉的运动目标分析

在计算机里面,所谓的计算机视觉的运动目标分析,就是对视频里面的运动目标进行跟踪检测,并对目标进行研究分析,而检测与跟踪是对分析目标和理解目标行为的基础,因此需要重视其中的目标.本文通过计算机视觉分析了跟踪与检测目标等问题,从而为检测和和跟踪视觉运动目标的算法做出重大意义.     

基于时空马尔可夫随机场交通参数采集系统研究

可靠的车辆跟踪是实现交通事件自动检测的重要前提,车辆跟踪中的车辆相互遮挡则是影响车辆跟踪结果的关键因素.针对这一难题,提出了一种基于时空马尔可夫随机场(简称ST-MRF)模型的车辆跟踪算法,用以得到目标地图和运动矢量地图.在目标地图和运动矢量地图的基础上提取交通参数,然后通过摄像机标定技术,获得实时的车速以及车辆运动坐标,最后通过对交通流三参数的分析,得到实时的交通流运行特征.这可为以后的交通事件检测提供依据.     

基于光流的运动目标实时检测方法研究

运动目标实时检测是目标自动检测、识别与跟踪的关键技术之一。该文在分析光流模型约束条件的基础上,提出了一种鲁棒的多分辨率光流估计方法,并对光流应用于目标检测的一些实际问题进行了探讨。实验结果表明,该算法具有很强的鲁棒性和适应性。     

基于粒子滤波算法的高速公路车辆停车检测

提出了一种基于粒子滤波视频跟踪算法的停车事件检测方法,实现了对高速公路交通视频的自动监控。首先用混合差分技术,快速提取出视频中的车辆对象;并用粒子滤波算法实现了运动车辆的跟踪;进而通过对车辆运动的数学建模,对停车事件进行了自动检测。最后,对多组高速公路交通视频进行测试,结果表明：提出的检测方法比其他常用方法响应速度更快,且具有较高的检测准确率和鲁棒性。     

图像目标检测识别和跟踪仿真研究

研究图像检测优化问题,在传统的图像目标跟踪中始终选用起始帧作为目标模板,没有根据实际情况实时更新目标模板,容易导致目标跟踪识别错误.针对图像目标识别跟踪缺乏全自动智能跟踪的难点问题,提出了在一定变化条件下运动图像目标的全自动识别跟踪方法.首先,在目标检测中为了提高实时性,采用了一种特殊形式的帧间差分算法对目标进行检测;其次,为有效抑制噪声和增强图像目标,在确定目标模板的过程中加入了图像形态学算法;最后,利用改进的均值漂移算法,根据巴氏系数相对量的变化情况实时更换目标模板,实现对目标全自动跟踪.经过仿真表明,利用改进的图像处理方法实现了在外部干扰条件下目标的自动检测识别和跟踪,并具备对图像目标的全自动跟踪能力,速度较快,为图像目标检测系统的设计提供了依据.     

复杂监控背景下多运动目标的检测与跟踪

在目标跟踪系监测系统中,视频的处理主要由摄像机视频捕获、视频图像帧的预处理、运动中目标的监测、运动目标的跟踪、运动目标的分类和目标行为描述与理解等步骤.其中,运动目标检测与跟踪是视频处理系统中的核心内容.主要对运动目标在复杂环境下检测与跟踪技术进行研究.     

光学遥感图像舰船目标检测与识别综述

遥感图像舰船目标自动检测与识别是遥感图像处理与分析领域备受关注的课题, 其核心任务是判断遥感图像中是否存在舰船目标,并对其进行检测、分类与精确定位, 它在海面交通监控、船只搜救、渔业管理和海域态势感知等领域具有广阔的应用前景. 本文主要围绕光学卫星遥感图像中的舰船目标自动检测与识别, 分析舰船目标检测与识别面临的难点问题, 综述当前光学遥感图像舰船检测与识别的主要处理方法, 在此基础上指出研究中尚存在的问题并展望未来的发展趋势.     

微弱运动目标的检测与跟踪识别算法研究

在运动目标检测问题的研究中,针对图像处理中微弱运动目标检测与跟踪识别技术的特点,在简单分析了微弱运动目标检测跟踪的技术难点的基础上,重点对微弱运动目标的检测与跟踪算法展开了研究,为了对弱信号提高检测精度,采用图像预处理、目标特征的选取和目标跟踪三个步骤设计,对微弱运动目标在强噪声背景下的图像检测与跟踪识别算法,用给出具体的改进算法,通过仿真测试结果表明,算法具有较好的目标识别与检测效果,对于进一步提高微弱运行目标的图像检测的研究水平具有一定的借鉴意义。     

基于TMS320DM642 DSP的实时视频监控系统实现

为了实现视频监控运动目标自动检测和跟踪的应用要求,设计了基于高性能DSP的运动目标跟踪嵌入式系统。该系统利用视频格式YUV420模型的Y分量进行运动目标检测,并以目标的形心为跟踪点,通过绝对误差和判决标准对运动目标进行跟踪;最终利用协同控制策略对摄像头进行控制,保证运动目标长时间保持在视野范围内。该系统通过基于DSP硬件结构的各软件模块优化,提高系统的处理能力,实现了系统的高效跟踪。     

基于统计模型和GVF-Snake的彩色目标检测与跟踪

为了能使传统监视系统具备目标自动检测与跟踪能力,提出了一种基于统计模型和GVF（gradient vectorflow）-Snake的彩色目标检测与跟踪算法.该算法可用于解决在静态背景下通过彩色视频信息来对运动目标进行自动检测与跟踪的问题,同时可直接给出目标轮廓的数学表示,并可简化后续目标识别算法的设计.该算法首先采用归一化RGB空间与灰度空间相结合的模型取代单一灰度模型来消除阴影对目标检测的影响;接着在此模型的基础上对差分图像进行GMM（Gaussian mixture model）建模,并构造运动边界图像,然后将静态图像轮廓提取算法GVF-Snake引入运动图像中,并通过修改能量项,使其能够跟踪运动目标的轮廓,最后针对Snake初始轮廓需要手工设定的问题,提出一种根据目标区域自动初始化轮廓的方法,为加快GVF-Snake的收敛速度,还采用一阶差分算法来预测下一时刻目标轮廓的位置.实验结果证明,该算法对刚性和非刚性两类目标都有较好的跟踪效果,可应用于智能监视和交通监控等领域.     

基于实时视觉分析算法的智能图像传感器系统设计

设计了一种智能交通图像传感器系统以实现对监控场景的快速移动侦测和对象识别。该系统具有有线以太网和无线GPRS双重网络接入功能,硬件由基于Au1200嵌入式处理器的网络接口端和基于BlackFin 533 DSP处理器的图像分析端组成。软件系统包括运行于Au1200处理器上的基于嵌入式Linux架构的网络收发软件和运行于BlackFin 533 DSP上的视觉分析算法。本系统引入了基于区域分割的背景模型和基于特征的对象识别算法。实验结果表明该系统能够实时高效地进行自动移动检测和对象分类识别。     

CGTracker: Center Graph Network for One-Stage Multi-Pedestrian-Object Detection and Tracking

Most current online multi-object tracking (MOT) methods include two steps: object detection and data association, where the data association step relies on both object feature extraction and affinity computation. This often leads to additional computation cost, and degrades the efficiency of MOT methods. In this paper, we combine the object detection and data association module in a unified framework, while getting rid of the extra feature extraction process, to achieve a better speed-accuracy trade-off for MOT. Considering that a pedestrian is the most common object category in real-world scenes and has particularity characteristics in objects relationship and motion pattern, we present a novel yet efficient one-stage pedestrian detection and tracking method, named CGTracker. In particular, CGTracker detects the pedestrian target as the center point of the object, and directly extracts the object features from the feature representation of the object center point, which is used to predict the axis-aligned bounding box. Meanwhile, the detected pedestrians are constructed as an object graph to facilitate the multi-object association process, where the semantic features, displacement information and relative position relationship of the targets between two adjacent frames are used to perform the reliable online tracking. CGTracker achieves the multiple object tracking accuracy (MOTA) of 69.3% and 65.3% at 9 FPS on MOT17 and MOT20, respectively. Extensive experimental results under widely-used evaluation metrics demonstrate that our method is one of the best techniques on the leader board for the MOT17 and MOT20 challenges at the time of submission of this work.     

视频监控系统中的图像分割算法综述*

视频监控系统在智能安防、人机交互、交通、娱乐、军事等领域有着广泛的应用空间,是近来研究热点之一。目标的分割是视频监控系统中的首要任务,其分割的有效性对于后续的目标识别、跟踪、行为理解等处理至关重要。从时间分割法和空间分割法的分类角度出发,对国内外的视频监控研究中的若干目标分割方法进行了归纳总结。     

目标检测算法在交通场景中应用综述

目标检测是计算机视觉领域的重要研究任务,在机器人、自动驾驶、工业检测等方面应用广泛。在深度学习理论的基础上,系统性总结了目标检测算法的发展与研究现状,对两类算法的特点、优缺点和实时性进行对比。以交通场景中三类典型物体（非机动车、机动车和行人）为目标,从传统检测方法、目标检测算法、目标检测算法优化、三维目标检测、多模态目标检测和重识别六个方面分别论述和总结目标检测算法检测识别交通场景目标的研究现状与应用情况,重点介绍了各类方法的优势、局限性和适用场景。归纳了常用目标检测和交通场景数据集及评价标准,比较分析两类算法性能,展望目标检测算法在交通场景中应用研究的发展趋势,为智能交通、自动驾驶提供研究思路。     

短时记忆与CenterTrack的车辆多目标跟踪

目的 车辆多目标跟踪是智能交通领域关键技术,其性能对车辆轨迹分析和异常行为鉴别有显著影响。然而,车辆多目标跟踪常受外部光照、道路环境因素影响,车辆远近尺度变化以及相互遮挡等干扰,导致远处车辆漏检或车辆身份切换（ID switch,IDs）问题。本文提出短时记忆与CenterTrack的车辆多目标跟踪,提升车辆多目标跟踪准确度（multiple object tracking accuracy,MOTA）,改善算法的适应性。方法 利用小样本扩增增加远处小目标车辆训练样本数;通过增加的样本重新训练CenterTrack确定车辆位置及车辆在相邻帧之间的中心位移量;当待关联轨迹与检测目标匹配失败时通过轨迹运动信息预测将来的位置;利用短时记忆将待关联轨迹按丢失时间长短分级与待匹配检测关联以减少跟踪车辆IDs。结果 在交通监控车辆多目标跟踪数据集UA-DETRAC （University at Albany detection and tracking）构建的5个测试序列数据中,本文方法在维持CenterTrack优势的同时,对其表现不佳的场景获得近30%的提升,与YOLOv4-DeepSort（you only look once—simple online and realtime tracking with deep association metric）相比,4种场景均获得近10%的提升,效果显著。Sherbrooke数据集的测试结果,本文方法同样获得了性能提升。结论 本文扩增了远处小目标车辆训练样本,缓解了远处小目标与近处大目标存在的样本不均衡,提高了算法对远处小目标车辆的检测能力,同时短时记忆维持关联失败的轨迹运动信息并分级匹配检测目标,降低了算法对跟踪车辆的IDs,综合提高了MOTA。     

视频序列中运动对象检测技术的研究现状与展望*

将运动对象检测技术分为变化检测、运动检测和特征检测三类,介绍了各类技术的思想,对现有方法进行了归类,指出各方法的本质区别,从理论和实验两方面剖析其优势和不足并指出了适用场合。讨论了目前视频运动对象检测技术存在的问题,展望了未来的发展方向。     

视频中运动目标的实时检测和跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域，特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出了一种自适应的背景相减法来分割运动物体，为了准确地定位运动车辆的区域，采用差分图像投影和边缘投影相结合的方法来定位车体，同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪，即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆，同时也能实时地定位和跟踪弯道上运动的车辆，从实验结果看，提出的背景更新算法简单，并且运动车辆区域的定位具有很好的鲁棒性，从统计的检测率和运行时间来看，该算法具有很好的检测效果，同时也能满足基于视频的智能交通监控系统的需要。     

背景估计与运动目标检测跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域,特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出一种自适应的背景估计方法来实时获得当前背景图像,从而分割出运动物体。为了准确地定位运动车辆的区域,采用差分图像投影和边缘投影相结合的方法来定位车体,同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪,即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆,同时也能实时地定位和跟踪弯道上运动的车辆,从实验结果看,提出的背景更新算法简单,并且运动车辆区域的定位具有很好的鲁棒性,从统计的检测率和运行时间来看,该算法具有很好的检测效果,同时也能满足基于视频的智能交通监控系统的需要。     

目标跟踪研究综述

在监控系统中获取感兴趣的目标是目前极具挑战性的研究热点之一,在视频监控、人机交互和军事领域都具有巨大的应用前景。目标追踪问题主要的技术难点是实时、准确和稳定地将感兴趣的目标表现出来,但是由于目标运动方式、运动场景和目标外在特征的突然改变以及光照变化和拍摄时的抖动等问题都会导致监测追踪系统准确率和稳定性的下降。本文对国内外目标追踪问题的热点和难点进行了详细的分析论述,将目标跟踪归结为目标识别和追踪两个部分来详细讨论,同时考虑到场景对目标追踪的直接影响,将场景理解作为目标追踪的重要技术难点进行了探讨,指出了视觉跟踪模型的具体问题。     

基于视觉的目标检测与跟踪综述

基于视觉的目标检测与跟踪是图像处理、计算机视觉、模式识别等众多学科的交叉研究课题,在视频监控、虚拟现实、人机交互、自主导航等领域,具有重要的理论研究意义和实际应用价值.本文对目标检测与跟踪的发展历史、研究现状以及典型方法给出了较为全面的梳理和总结.首先,根据所处理的数据对象的不同,将目标检测分为基于背景建模和基于前景建模的方法,并分别对背景建模与特征表达方法进行了归纳总结.其次,根据跟踪过程有无目标检测的参与,将跟踪方法分为生成式与判别式,对基于统计的表观建模方法进行了归纳总结.然后,对典型算法的优缺点进行了梳理与分析,并给出了其在标准数据集上的性能对比.最后,总结了该领域待解决的难点问题,对其未来的发展趋势进行了展望.