基于动目标检测的视频监控智能节点设计

针对现有视频监控系统无效信息多造成存储资源严重浪费的现象,提出了基于动目标检测的视频监控智能节点设计方案;利用微波移动传感器检测运动目标多普勒信号,通过微控器采集调理后的多普勒信号完成运动目标识别,并控制传输设备将含有动目标的视频监控信息和多普勒频率数据传输到监控中心进行实时处理;实验结果表明,视频监控智能节点最大探测距离可达15m,该设计有效提高了视频监控的有效信息,减少了存储资源,具有广泛的应用前景。     

融合特征的卫星视频车辆单目标跟踪

目的 卫星视频作为新兴遥感数据,可以提供观测区域高分辨率的空间细节信息与丰富的时序变化信息,为交通监测与特定车辆目标跟踪等应用提供了不同于传统视频视角的信息。相较于传统视频数据,卫星视频中的车辆目标分辨率低、尺度小、包含的信息有限。因此,当目标边界不明、存在部分遮挡或者周边环境表观模糊时,现有的目标跟踪器往往存在严重的目标丢失问题。对此,本文提出一种基于特征融合的卫星视频车辆核相关跟踪方法。方法 对车辆目标使用原始像素和方向梯度直方图（histogram of oriented gradient,HOG）方法提取包含互补判别能力的特征,利用核相关目标跟踪器分别得到具备不变性和判别性的响应图;通过响应图融合的方式结合两种特征的互补信息,得到目标位置;使用响应分布指标（response distribution criterion,RDC）判断当前目标特征的稳定性,决定是否更新跟踪器的表征模型。本文使用的相关滤波方法具有计算量小且运算速度快的特点,具备跟踪多个车辆目标的拓展能力。结果 在8个卫星视频序列上与主流的6种相关滤波跟踪器进行比较,实验数据涵盖光照变化、快速转弯、部分遮挡、阴影干扰、道路颜色变化和相似目标临近等情况,使用准确率曲线和成功率曲线的曲线下面积（area under curve,AUC）对车辆跟踪的精度进行评价。结果表明,本文方法较好地均衡了使用不同特征的基础跟踪器（性能排名第2）的判别能力,准确率曲线AUC提高了2.9%,成功率曲线AUC下降了4.1%,成功跟踪车辆目标,不发生丢失,证明了本文方法的先进性和有效性。结论 本文提出的特征融合的卫星视频车辆核相关跟踪方法,均衡了不同特征提取器的互补信息,较好解决了卫星视频中车辆目标信息不足导致的目标丢失问题,提升了精度。     

面向视频监控的TLD改进目标跟踪算法研究

目前智能视频监控对视频目标跟踪算法的实时性、准确性和鲁棒性都提出了很高的要求,而已有算法无法完全满足应用需求。在TLD（Tracking Learning Detector）框架下,提出一种基于视觉背景提取（Visual Background extractor,ViBe）的前景分类算法,提高了TLD算法检测目标的速度;用核相关滤波器（Kernelized Correlation Filters,KCF）实现了TLD框架中的跟踪器,提高了算法的精度及鲁棒性。采用OTB-2013评估基准中针对视频监控的视频序列进行测试,并与其他4种具有代表性跟踪算法进行了对比。测试结果表明：该算法的鲁棒性和准确性均优于对比算法,处理速度可达到40帧/s;相比于标准TLD算法,跟踪距离精度提高了1.52倍,成功率提高了1.2倍;相比于KCF算法,虽然跟踪速度有所下降,但跟踪距离精度提高了2.7倍,成功率提高了2.04倍。     

面向视频目标的快速稀疏编码跟踪算法

关于稀疏编码的研究在最近几年成为许多研究领域的焦点,已有学者将其引入视频目标跟踪问题中。在贝叶斯推理框架下,基于l1-跟踪子能较好地处理目标物在视频场景中的各种复杂变化,达到较为鲁棒的跟踪效果,但算法复杂度高,很难进行实时跟踪。对原始l1-跟踪子在稀疏编码的过完备基构造,对目标物出现各种复杂变化的处理方式以及目标物模板的更新这三个方面进行了改进,设计了无需更新目标模板的高速跟踪方法;并通过大量比较实验,验证了该方法的跟踪精度与原始l1-跟踪子相似,但跟踪效率远高于l1-跟踪子,达到了实时跟踪的效果。     

视频中目标检测算法研究

由于其实用价值和理论价值,目标检测是智能视频监控技术研究的重点,也是计算机视觉领域的一个研究热点,引起了研究者广泛关注。本文根据视频图像背景和前景目标的动或静的情况进行分类,将目标检测问题分为基于背景建模的目标检测和基于目标建模的目标检测两类。对于每类问题,分别全面综述了该问题的发展、常用算法模型及当前的研究成果等,然后讨论了对各类算法模型的评测指标、评测数据集和评测结果,最后总结了当前这两类目标检测方法存在的不足以及给出了对未来发展的思考和展望。     

智能视频算法评估综述

智能视频监控在公共安全和民用领域已经显现出有效与广阔的应用前景,备受国内外学者和众多实际工程领域专家的高度关注,制定有效、公正的智能视频算法评估准则是其应用过程中的一个重要环节.文中对当前国际上智能视频算法的评估工作进行了比较全面的综述,重点是运动检测、目标跟踪的性能评估.最后指出了智能视频算法评估的发展方向.     

多信息融合的卫星视频单目标跟踪

针对卫星视频中存在目标特征信息少、前景背景对比性低等问题, 在SiamCAR的基础上提出了一种融合运动信息和注意力机制的目标跟踪方法; 首先引入运动激励模块和通道注意力模块以增强目标特征提取信息; 然后将相邻帧作为新模板添加到网络里形成三重网络补充模板信息; 最后加入卡尔曼滤波算法进行目标轨迹预测, 将预测模板添加到网络中形成四重网络增加目标的运动信息; 选取SatSOT卫星视频数据集中的10组数据进行测试, 实验结果表明与SiamCAR网络相比, 改进算法的跟踪准确率和成功率分别提升了6%和6.2%.     

融合检测与跟踪的半自动视频目标标注

针对视频图像连续帧间的目标具有冗余性,采用手动标注方式耗时耗力的问题,提出一种融合检测和跟踪算法的视频目标半自动标注框架.利用手动标注的样本离线训练改进YOLO v3模型,并将该检测模型作为在线标注的检测器.在线标注时在初始帧手动确定目标位置和标签,在后续帧根据检测框与跟踪框的IOU(Intersection-Over...     

联合YOLOV3和核相关滤波算法的红外视频目标检测及跟踪

红外热成像视频与可见光视频相比噪点较多,细节模糊,缺少颜色特征,传统算法常出现目标检测错误、目标跟踪丢失的情况.对此,将YOLOV3目标检测算法与核相关滤波算法相结合,进行红外视频目标的检测及跟踪任务.加载训练后的YOLOV3网络模型进行第一帧目标检测,完成目标跟踪的初始化目标选取,使用KCF算法对后续视频帧进行目标跟...     

遥感图像恢复与遥感器MTF 在轨检测技术

遥感成像过程受到大气和成像系统中的光学、探测器和电子学子系统等的影响, 引起成像退化作用, 造成图像模糊, 降低了图像中信息的提取能力。图像恢复技术可以改善图像的质量, 提高图像信息提取能力。依据图像恢复技术的要求, 高精度成像系统调制传递函数(MTF) 是高质量图像恢复的基本条件。针对不同遥感器之间、同一遥感器不同时期存在的成像性能变化, 所引起成像系统MTF 变化的实际情况, 介绍了成像过程中系统MTF 在轨运检测方法。着重于介绍刃边法, 对刃边法的原理、刃边法检测对地物景观的要求等进行了详细分析, 对这一方法中有关图像景物的行扫描采样、扫描行的配准以及对所获得的边扩散函数的拟合等关键技术进行了详细介绍, 这些技术是保证较高精度获取遥感图像MTF 的基础。文章在介绍基于成像系统MTF 图像恢复技术后, 通过实验检验了方法的可行性, 结果表明以MTF 在轨检测为基础的图像恢复技术, 可以明显地提高遥感图像质量。     

交通监控系统中运动目标分类和跟踪研究

文章讲述了交通监控系统中应用视频图像流来跟踪运动目标并对目标进行分类的具体 过程和原则．基于目标检测提出了双差分的目标检测算法，目标分类应用到了连续时间限制 和最大可能性估计的原则，目标跟踪则结合检测到的运动目标图像和当前模板进行相关匹配 ．实验结果表明，该过程能够很好地探测和分类目标，去除背景信息的干扰，并能够在运动 目标部分被遮挡、外观改变和运动停止等情况下连续地跟踪目标．