可视化背景提取和粒子滤波的行为检测研究

在智能视频监控中,目标所在场景的复杂性和光照变化使得运动目标的检测难度加大.采用可视化背景提取(ViBe)算法来检测运动目标,对于运动目标在运动过程中的交叉、遮挡等情况,采用ViBe算法和粒子滤波运动目标跟踪算法相结合,完成对运动目标的检测与跟踪;在运动行为检测中,进一步定义目标的运动方向,从而判断目标的运动状态.实验表明,ViBe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,将其和粒子滤波结合能够准确跟踪实际场景中的运动目标,并能够准确判断目标的运动状态.     

基于MSPF的实时监控多目标跟踪算法研究

近年来,实时监控下多目标跟踪作为智能交通系统(Intelligent transportation system,ITS)的重要组成部分受到关注.传统多目标跟踪方法通常具有处理速度慢、容易对交叉行进车辆产生误匹配等问题.本文首先对基于贝叶斯规则的车辆视频复杂背景的建模及运动目标的检测进行研究,在此基础上提出一种基于Meanshift粒子滤波(Mean shift particle filter,MSPF)的多目标跟踪算法,首先对每一目标车辆在下一帧可能出现的范围进行预测,对单目标和多目标情况采用不同的检测策略,避免了全局搜索,提高了跟踪速度;通过构造基于最新观测信息的重要性密度函数,提高了MSPF算法在复杂背景情况下追踪部分遮挡及交叉车辆的准确性和鲁棒性.仿真实验结果验证了所提出算法的有效性.     

基于自适应时空码书的粒子滤波多目标跟踪

提出一种基于自适应时空码书检测模型的粒子滤波多目标跟踪算法。使用时空码书模型进行前景背景分割,检测出前景目标,在该模型上加入目标自适应过程。将自适应时空码书检测的结果作为粒子滤波跟踪算法的初始目标状态,通过关联算法和粒子滤波实现多目标跟踪。自适应时空码书模型能明显降低对前景目标的误检率,抑制噪声干扰。实验结果表明,该算法能够在有干扰的复杂背景下实现对运动多目标的快速捕获,并有效提高跟踪的可靠性和精度。     

监控场景中的运动物体提取技术研究

针对监控场景中因存在遮挡而无法有效地提取出完整的运动序列这一问题,提出了一种将ViBe前景检测算法和改进后的粒子滤波跟踪算法相结合的跟踪提取方法。首先用ViBe来提取出场景中所有运动物体的前景轮廓;其次用粒子滤波来检测和跟踪目标物体;最后通过与目标物体的关联轮廓求交运算以及跟踪区域的反馈调节完成对目标物体运动帧序列的提取。当运动物体发生遮挡时,采用将跟踪区域内所检测到的前景轮廓重新加入到目标物体的关联轮廓中以保证后续可以继续用关联轮廓交集来提取。实验结果表明,该方法能够很好地保证提取的质量,并有效地解决了局部遮挡与全局遮挡情况下运动物体完整运动序列的提取。     

基于两步跟踪算法的海关车辆监控研究*

针对实时性和鲁棒性要求比较高的海关卡口车辆视频监控问题,提出了一种基于改进的均值漂移算法和粒子滤波算法的两步跟踪算法。对海关车辆监控的目标图像采用YCbCr颜色空间建立初始帧目标模型,利用改进后的均值漂移算法找出候选目标,在跟踪相似度小于设定的阈值时再利用改进后的粒子滤波算法进行后续的跟踪。通过实验分析,验证了提出的算法既能保证均值漂移算法跟踪的实时性,也能保证粒子滤波算法跟踪的鲁棒性,具有较好的应用价值。     

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。     

一种基于改进粒子滤波的多目标跟踪算法

针对复杂背景环境下的多目标跟踪问题,论述了主要的数据关联技术,将目标检测算法与粒子滤波相结合,利用颜色直方图作为观测模型,并利用全领域(GNN)算法进行数据关联.提出一种改进的基于粒子滤波的多目标跟踪算法,实现了视频场景中的多个目标跟踪.该算法对于目标在场景中的频繁出现和消失、相似外表、交叉运动和短暂遮挡等均有较好的处理效果.     

基于联合概率数据关联和粒子滤波的多目标跟踪算法

数据关联一直是多目标跟踪中的核心问题,是实现多目标有效跟踪的关键。介绍了多目标跟踪的基本原理以及联合概率数据关联的基本原理,并且将粒子滤波引入到联合概率数据关联模型中,提出了联合概率数据关联-粒子滤波算法来实现多目标跟踪。仿真结果表明,此算法可以很好的实现固定数目多目标跟踪。     

基于ViBe改进的运动目标检测算法

运动目标检测一直是计算机视觉领域的重要研究方向,针对传统的ViBe算法容易出现鬼影、噪点和运动目标不完整等问题,提出一种基于ViBe改进算法的移动目标检测跟踪算法。通过连接区域的滤波操作,填充面积小于设定阈值的前景孔洞区域,以此限制散布在前景物体中的错误背景;通过检测图像的闪烁像素,更新存储之前的模板,并建立闪烁等级表,若某像素的闪烁等级大于等于设定的阈值,则将其从更新模版中移除,从而抑制更新模板中的闪烁区域。在动态视频中结果表明,该算法在满足实时性的前提下,可有效地改善传统ViBe算法,较好地提高运动目标检测效果。     

基于TDOA和改进粒子滤波算法的智能交通系统运行车辆定位

为了克服已有车辆定位系统依靠GPS或RFID等固定设备进行定位时硬件成本高、同时对运动车辆进行定位时往往精度不高的缺点,提出了一种基于TDOA和改进粒子滤波的运动车辆定位方法;首先,通过TDOA算法和最小二乘法获取多个车辆坐标值估算值并对具有较大误差的坐标进行删除;然后通过RSSI信号强度对剩余的坐标值进行加权获取估计坐标的初始值;为了进一步提高定位的精度,设计了改进的粒子滤波算法以每个时刻的坐标初始值为观测值估算车辆的真实坐标,在算法中通过设计重要性概率密度函数和重采样提高滤波的精确度;取100m×800m的道路区域进行仿真,结果表明:文中方法能较为精确地实现运动车辆的定位,且与其它方法比较,具有硬件成本低和定位误差小的优点,是运动车辆定位的一种可行方法。     

一种改进的视频图像检测跟踪算法

针对运动目标在运动过程中的交叉、遮挡等情况,采用自适应阈值的Vibe算法来压缩背景杂波和相关噪声,进而对运动目标进行检测.采用基于Camshift优化的粒子滤波算法对运动目标进行跟踪,该算法在粒子滤波算法的基础上结合Camshift算法的优点,加入当前观测信息,使粒子更好地采样于目标周围,提高了粒子效率,节省了算法时间.实验表明,自适应阈值的Vibe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,而基于Camshift优化的粒子滤波算法能够在目标快速运动、遮挡情况下对目标进行准确跟踪.     

采用EM算法对粒子滤波跟踪算法进行改进

提出了一种改进粒子滤波跟踪算法EMPF(expectation-maximization particle filter)。针对传统粒子滤波存在的动态模型的不确定问题,将EM算法与粒子滤波算法有效结合,将运动模型的参数作为待估量,采用EM算法来确定目标的运动模型参数,从而获得对目标状态的较准确估计。实验结果表明,当目标做复杂的转弯运动时,该算法能够显著地提高对目标运动状态的预测精度。     

改进的ViBe运动目标检测算法

针对传统ViBe运动目标检测算法提取的目标存在鬼影区域、且有闪烁像素点干扰的问题,提出一种结合Surendra背景更新算法而改进的ViBe算法进行运动目标检测.利用Surendra算法快速更新背景的特点迭代得到纯净背景;对ViBe算法检测前景进行像素标记和鬼影分类判别,去除鬼影像素点和闪烁像素点;输出新的前景.实验表明:该算法可以有效地去除ViBe算法前景检测中的鬼影,并能抑制闪烁像素噪声,获取更精确的前景图像.     

基于信息分享机制的粒子滤波算法及其在视觉跟踪中的应用

针对基本粒子滤波方法存在的权值退化和计算效率低问题,提出了一种基于信息分享机制的粒子滤波算法.该方法将粒子群优化算法和蚁群优化算法的优化思想共同作用到粒子更新中,实现粒子之间信息共享,从而增强粒子的多样性和最优估计能力.同时分析了该算法的收敛性.视觉跟踪实验表明,该算法能用较少的粒子实现单目标和多目标跟踪,综合跟踪性能优于基本粒子滤波和基于粒子群优化的粒子滤波方法,验证了本算法的有效性.     

基于改进ViBe的运动目标检测算法

在运动目标检测领域,ViBe算法由于其实时性高、鲁棒性好等特点,已经被广泛地研究与使用。但动态背景往往会干扰检测结果。通过度量背景复杂度更新距离阈值和背景模型更新率的方式,提出了一种基于改进ViBe算法的运动目标检测算法,能有效地降低动态背景对检测结果造成的影响。最后,利用全局运动补偿算法将改进的ViBe算法应用到摄像机运动情况下,取得了一定效果。     

基于Mean-Shift的卡尔曼粒子滤波车辆跟踪算法研究

在视频车辆跟踪算法中针对传统粒子滤波的非线性、非高斯性可能导致跟踪过程的不准确性,提出一种基于Mean-Shift的卡尔曼(Kalman)粒子滤波算法。该算法利用建立基于目标颜色直方图特征模型对视频车辆目标进行建模,并将其与Kalman滤波相结合进行更新;通过采用Mean Shift算法将Kalman滤波器引用到粒子滤波器当中,通过预测迭代,从而达到对车辆的运行轨迹的修正。将先验信息预测与粒子滤波相结合在保持跟踪系统整体上的非线性、非高斯性,兼顾了卡尔曼滤波局部的线性高斯特性。实验结果表明,该方法与传统粒子滤波方法相比,具有较好的实时性和较高的准确率,能够准确稳定地对目标车辆进行跟踪。     

基于粒子滤波的多目标跟踪研究

针对无线传感器网络中的多目标跟踪问题,为提高系统的精度,减少误差,提出一种自适应基于粒子滤波的多目标跟踪算法(APF).算法根据粒子历史信息与后验信息的关联度,自适应的调整粒子采样分布.由目标分布与节点测量的关系,将节点组织成簇,并用簇内的节点测量表示目标特征.目标状态的估计由粒子加权表示,权值与粒子和对应目标特征的相似度成正比.仿真结果表明,APF算法较好地解决无线传感器网络下的多目标跟踪问题,跟踪误差相对于经典分布式粒子滤波降低30%,验证了APF算法可以实时多目标跟踪,实现了较好的跟踪效果.     

基于目标跟踪的粒子群粒子滤波算法研究

针对粒子滤波方法在重采样阶段容易造成样本有效性和多样性的损失,导致了样本贫化问题,提出了一种改进的粒子滤波算法.算法将粒子群优化思想引入粒子滤波中,在粒子采样过程前先利用粒子群算法进行优化.粒子群算法将最新观测值融合到粒子进化公式中,大部分粒子经过粒子群优化后,朝着后验概率分布比较密集的区域运动,聚集在最优粒子附近,使粒子的权值被提高,避免了在重新采样过程中被舍弃,进而缓解了样本被贫化问题.目标跟踪系统中的位置估计由于物体运动具有突然性,很难准确估计.采用非线性目标跟踪模型和分时恒定值模型分别研究改进粒子滤波算法对误差均方值的影响.仿真结果表明改进算法与常规粒子滤波算法和扩展卡曼滤波算法相比,更加有效地降低变量的误差均方值,从而提高了滤波性能.     

一种surf自适应滤波算法在智能交通中的应用

为满足智能交通中对车辆跟踪准确性较高的要求本文提出一种结合Surf特征算子的粒子滤波算法。通过提取surf特征集合,进行特征匹配、模板更新,减少粒子滤波过程中的粒子数,以满足车辆跟踪过程中的实时、准确。实验结果表明：此算法可以较好地实现交通中运动目标的跟踪,并且改进后的算法具有良好的实时性和鲁棒性。     

多传感器多目标跟踪的粒子PHD滤波算法

针对单传感器跟踪系统的缺陷,提出了基于粒子概率假设密度(PHD)滤波的多传感器多目标跟踪算法.这种算法不仅避免了多传感器多目标跟踪的数据关联问题,而且在漏检、目标密集、航迹交叉、小范围内目标数多的杂波环境下能够稳定、精确地估计目标状态和目标数.仿真实验比较了单传感器粒子PHD滤波与多传感器的粒子PHD滤波的跟踪性能,验证了该方法的跟踪性能和精度.