基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪。该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪。仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高。      

角点匹配与均值漂移相结合实现目标跟踪

提出一种改进的目标跟踪方法。将归一化系数的角点互匹配与Mean-shift相结合。当目标的一部分特征出现在背景中或目标与背景相似度较高时,Mean-shift算法的跟踪性能将会下降。针对这一问题,提出采用颜色特征和角点特征相融合,用归一化的角点互匹配算法,能有效降低误匹配率,提高匹配精度。在某些帧中,由于噪声、遮挡等干扰时,发生角点0匹配,这时采用Mean-shift算法作为临时替代跟踪器,并更新目标模版,以适应目标的旋转运动,当有角点恢复匹配时,重新进行角点匹配跟踪。     

Harris角点结合金字塔光流法的目标跟踪算法设计研究

针对现存很多跟踪算法在速度和准确度方面很难满足嵌入式跟踪开发的需要,提出一种基于Harris角点和金字塔光流法的快速跟踪算法,并详细给出了DSP-FPGA的硬件设计。首先,使用Harris角点提取目标角点特征;然后,使用金字塔光流法为后续视频帧匹配角点;最后,基于角点的质心跟踪算法用于匹配目标的重心,确定目标的位置,重心跟踪算法可以较好地抵消由于旋转或扭曲带来的形变问题。在硬件实现过程中,FPGA方便电路设计,使用硬件描述程序语言实现硬件算法、逻辑控制和外部接口,DSP则运行目标跟踪算法。实验结果验证了本文硬件实现算法的有效性,相比于AVT21开发板的质心跟踪算法、相位相关跟踪算法和金字塔相关性跟踪算法相比,本文算法在平均重叠和平均中心误差方面具有一定优势,在720p的视频流上可以满足25fps。     

基于改进ORB特征点的LK光流算法

针对传统ORB特征点匹配准确率低和在光流算法中跟踪特性差的问题,提出了一种基于改进ORB特征点的LK光流算法。首先结合FAST特征点和rBRIEF特征描述符计算出ORB特征点;然后结合SURF算法在特征提取步骤中构建的Hessian矩阵对ORB特征点进行再提取;最后对改进ORB特征点进行特征匹配测试和LK光流跟踪测试。实验结果表明,相较于传统ORB特征点,改进ORB特征点的特征匹配准确率平均提升20.96%,LK光流跟踪成功率平均提升19.73%。本文提出的改进ORB特征点不仅拥有更好的特征匹配效果,同时具有更好的跟踪特性。     

一种基于SIFT特征光流的运动目标跟踪算法

针对传统光流跟踪算法计算复杂度高、受噪声影响大的问题,提出了一种基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)和卡尔曼滤波器的特征点光流跟踪算法。首先,利用SIFT算法提取图像中的特征点;然后,根据最小绝对值误差准则对运动目标的特征点进行匹配,建立卡尔曼滤波器方程来计算特征点光流;最后,通过光流特征聚类实现运动目标的识别与跟踪。实验结果表明,算法对自然场景中的运动目标具有良好的跟踪特性,稳定性好,计算量小,易于实现。     

基于改进随机蕨的跟踪注册方法研究

针对无标识增强现实跟踪注册方法在复杂环境下存在跟踪注册失败、速度较慢的问题,提出一种基于改进随机蕨的无标识增强现实跟踪注册方法。该方法以真实场景中的目标物体图像作为模板,使用随机蕨分类器进行目标检测,解决环境光照变化或目标被遮挡跟踪注册失败的问题。使用FAST角点进行特征检测提升检测速度,对随机蕨的仿射过程进行改进来弥补特征点尺度不变性和仿射不变性缺失。通过该分类器进行特征匹配,进而估计三维位姿并渲染注册虚拟物体。实验结果证明,该方法具有较好的准确性、实时性和鲁棒性。     

基于分块运动估计的对象跟踪方法

针对摄像机运动和场景光照突变的情况,提出了一种基于分块运动估计的对象跟踪算法。首先,对图像进行分块角点匹配,得到各块运动参数,然后对各块进行分块运动补偿和光照补偿;对补偿后的图像进行相邻帧差分得到目标的近似质心位置;跟踪过程则融合运动目标加权颜色直方图和梯度直方图作为目标特征,以所得质心为初始搜索点,采用螺旋搜索算法,进行目标模板和候选目标相似性检测,搜索最佳匹配点得到目标对象在当前帧的准确位置。实验结果表明,该算法能够有效克服光照剧烈变化,在动态背景下能达到对对象的准确跟踪。     

MOravec和Harris角点检测方法比较研究

角点是图像中的重要特征,在图像配准与匹配、运动分析、目标识别、目标跟踪等领域中均得到了广泛的应用.Moravec和Harris算法是计算机视觉领域中应用比较广泛的角点检测方法.介绍了Moravec和Harris及其改进等四种常用的角点检测算法的实现原理及其特点,并对这四种方法进行了分析、比较,给出了它们的效率性能评价.然后通过实验研究了它们在角点检测的速度、正确率和抗噪性等方面的差异,探讨了各种算法的优势和缺陷.最后,文章指出了角点检测技术的研究与发展方向.     

基于改进典型形状上下文特征的形状识别方法

针对形状上下文特征难以解决大规模样本的形状识别问题,提出一种利用角点典型形状上下文特征进行快速形状识别的方法.该方法仅以少数角点作为代表点生成直方图,对目标形状关键特征进行描述,通过减少匹配的特征数目降低了采样点匹配时间;在此基础上提出了局部约束匹配的方法,能够快速实现形状匹配并解决特征旋转不变性的问题,最终通过结合快速剪枝和精确匹配完成形状的识别.对形状数据进行仿真实验的结果证明,文中方法能够快速、有效地实现大规模数据的形状识别和检索.     

点线光流预测机制的图像序列运动直线跟踪

目的 针对复杂场景图像序列中运动直线特征的提取、跟踪问题,提出一种基于点、线光流预测机制的图像序列运动直线跟踪方法。方法 首先根据图像直线的表达式定义点、线光流基本约束方程,由基本约束方程推导出关于点光流与直线光流对应关系的3个重要推论。然后依据点、线光流对应关系,利用图像序列中直线特征上的像素点光流计算直线光流的估计值并根据直线光流阈值筛选图像序列运动直线。最后由筛选出的运动直线及直线光流估计值计算直线的预测坐标并在Hough域内进行跟踪匹配,得到图像序列运动直线跟踪结果。结果 通过合成及真实图像序列实验验证,本文方法能够准确地筛选出图像序列中感兴趣的运动直线,并对运动直线进行稳定地跟踪、匹配,直线跟踪结果未产生干扰直线的误匹配,直线跟踪时间消耗不超过12 s。结论 相对于传统的直线跟踪、匹配方法,本文方法具有较高地直线跟踪精度和较好的鲁棒性,更适用于复杂场景下的运动直线跟踪、匹配问题。     

Quaternion based optical flow estimation for robust object tracking

We propose a quaternion optical flow algorithm for robust object tracking. Unlike previous works of color optical flow methods that treat color as separating channels, the proposed algorithm exploits quaternion representation of color and processes color as a holistic signal. In this way, it enables more accurate flow estimation at the pixel locations of spatial color variations, and reduces tracking errors by leaving more features points at their correct locations on the target. For successful and efficient object tracking, we also proposed a novel type of quaternion color corners that are reliable features during tracking. Together with grayscale corners, they form a good feature point set, especially when used with the proposed quaternion optical flow algorithm. We conduct a quantitative evaluation on publicly available dataset to verify the efficacy of the proposed algorithm. And object tracking experiments demonstrate that robust tracking can be achieved for real-time applications.     

基于改进Snake模型的人体运动跟踪算法

提出一种改进Snake模型与光流估计相结合的人体运动自动实时跟踪算法.利用角点检测得到接近人体真实轮廓的初始轮廓,减少了迭代次数,降低了Snake模型收敛到局部极值的概率;同时针对Snake模型跟踪不够稳定、容易出现跟踪丢失问题,结合KLT光流法,选取当前帧所得到的轮廓点中的强特征点进行光流估计,将估计结果作为下一帧Snake的初始轮廓,有效地解决了这一难题.实验结果表明改进Snake模型可使初始轮廓形变到人体真实轮廓,同时实现了视频序列中自动、实时的人体跟踪.     

一种改进的特征点匹配局部遮挡目标识别算法

图像的目标识别是图像处理与模式识别领域一个重要的研究方向,它在安全监控、医疗渗断等领域得到了越来越广泛的应用,传统算法能够准确地识别背景简单、无遮挡的目标,然而对于存在局部遮挡的目标常常会出现虚警或漏报．针对这一问题,木文提出了一种改进的基于特征点匹配的目标识别算法．该算法利用harris角点检测对特征点进行初步提取,通过对已得特征点的概率密度的有效性估计来对其进行精准提取,进而实现对局部遮挡的目标的有效识别．实验表明：本文算法实时性较好,能很好的解决局部遮挡的目标识别问题．     

基于角仿射不变的特征匹配

同一场景的不同图像匹配是计算机视觉中的一个基本问题，在诸如三维重建、对象识别和分类、图像配准和相机自校正等应用中，特征匹配都是一个关键步骤。为解决三维场景重建问题，通过改进目前特征匹配的不足，提出了一种基于角仿射不变的特征匹配算法。该方法是使用角作为图像匹配选取的特征，通过仿射不变处理来消除图像缩放、扭曲、旋转和平移产生的影响，实验表明，该算法具有良好的匹配性能，可以对差异较大的图像对进行特征匹配。     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

一种新的基于条件数的图像配准算法

提出了一种新的基于条件数的图像配准算法。该方法在Harris算法提取角点的基础上,采用条件数定量地分析了噪声对确定图像间变换关系的影响程度,通过阈值设定筛选出具有良好稳定性的角点,克服了Harris角点检测可能存在的角点位置偏移和易受噪而提取出伪角点等问题。最后选择了Random Sample Consensus(RANSAC)匹配准则来确定匹配点对。经过实验证明了该配准算法具有精确性、抗噪性和鲁棒性。     

基于关键点及光流的平面物体跟踪算法

为提高复杂场景下基于关键点的平面物体跟踪算法的鲁棒性,提出一种融合光流的平面物体跟踪算法。检测目标物体与输入图像的关键点及其对应描述符,由最近邻匹配方法构建目标与图像间关键点匹配集合,通过光流法构建相邻两张图像间关键点的对应关系,将已构建的关键点匹配集合与基于光流的对应关系通过加权平均的策略进行融合,得出修正的关键点匹配集合,根据关键点匹配估计目标物体在当前图像的单应性变换矩阵,从而完成目标跟踪。在POT数据集上的实验结果表明,与SIFT、FERNS等算法相比,在校正误差阈值为5时,该算法在所有图像序列上的平均跟踪精度达到66.67%,具有较好的跟踪性能。     

基于空间纹理相似性的图像角点特征匹配算法

本文针对传统图像角点特征匹配算法的匹配速度慢且准确率低等问题,提出一种基于空间纹理相似性的图像角点特征匹配算法。首先,计算图像目标上角点对应的空间距离矩阵;然后,通过计算图像角点的空间距离矩阵在对应角点邻域LBP特征向量上的瑞利商,将角点在图像灰度特征空间内的度量问题转换为纹理特征空间内幅值的度量问题;最后,根据角点对应的瑞利商的大小,实现不同图像间的角点特征匹配。对不同条件下采集的图像进行角点特征匹配,得到的匹配结果表明本文算法不仅能够很好的适应图像光照、几何变化,得到的匹配正确率较高,同时与传统算法相比本文算法在运行时间上也有大幅度的降低,当处理特征数量较小时平均降低48ms,而匹配特征数量较多时能够降低2408ms。