融合光流检测与模板匹配的目标跟踪算法

针对传统的目标跟踪算法需要人工选择目标且不能较好地处理目标的尺度变化问题,提出融合光流检测与模板匹配的目标跟踪算法。首先通过结合光流信息与图像分割结果从视频中自动地检测和提取运动目标,实现基于检测的跟踪;当检测跟踪结果不可靠时,再利用模板匹配定位目标位置,实现基于匹配的跟踪;最后,通过自动更新模板,使得跟踪框能够自适应目标的尺度变化。实验结果表明该算法能够在自适应目标尺度变化的同时获得较为稳定的跟踪结果。与其他三种算法相比,所提方法在目标的自动检测提取与尺度自适应方面具有优势。     

基于模板匹配的自适应目标跟踪算法的实现

基于传统的目标跟踪方法,在图像检索过程中采用了自适应模板匹配方法,提高了目标跟踪的速度和可靠性,使目标跟踪的准确程度和算法的效率有了显著的提高,并给出了使用自适应模板匹配方法跟踪的试验仿真结果。     

一种基于自适应的目标跟踪算法的实现

在已有的目标跟踪方法基础上,对基本模板匹配算法进行改进,提高了目标跟踪的速度和可靠性,目标跟踪的准确程度和算法的效率有显著的提高.给出了使用自适应模板匹配方法跟踪的试验仿真结果.     

基于区域模板匹配的多目标实时跟踪

研究视频目标实时跟踪问题,在智能视频监测系统中,对运动目标的跟踪是后续工作的基础.为了实时准确地跟踪多运动目标,提出一种基于改进帧间差分与区域模板匹配相结合的快速运动目标跟踪方法.根据改进的帧间差分法找到运动目标的所在的区域,建立相应的搜索区域,采用目标模板逐个与搜索区域进行匹配,匹配到目标后对其进行标记,并且对相应的目标模板进行更新,从而实现多个目标的跟踪.对三个目标进行跟踪平均的第Ι类错误率为11.11%,结果表明,改进方法能够比较有效、实时地对多个运动目标进行跟踪.     

基于改进高斯混合模型的实时运动目标检测与跟踪*

为提高运动目标检测与跟踪的可靠性,提出了一种基于改进高斯混合模型的实时运动目标检测与跟踪算法。该算法建立可自动调节分布数目的高斯混合背景模型,通过背景减除获取前景图像;利用目标相邻帧的连续性分割运动目标;在此基础上将传统的颜色直方图模型进行改进,提高目标颜色分布的可信度,进而根据目标的位置、大小和颜色构造运动目标全局匹配相似度函数,实时完成运动目标检测与跟踪。利用大量的监控视频数据进行验证,结果表明,与传统的检测跟踪算法相比,该算法减少了计算量,提高了复杂背景情况下运动目标检测与跟踪的可靠性。     

基于时空信息的多运动目标跟踪算法

利用帧差法和基于Sampson距离的随机抽样一致性（RANSAC）匹配算法,实现基于时空信息的多运动目标跟踪。采用帧差法获知运动目标大概位置,运用Harris算法提取每帧视频图像中运动目标的角点,并对其进行归一化处理,利用RANSAC算法对角点进行匹配,使用闽值分割法确定运动目标位置。实验结果表明,该方法能准确跟踪相似目标,其实时性较高。     

动态场景下的运动目标跟踪方法研究

复杂背景下实时目标的跟踪与识别属于自动目标识别（ATR）研究领域,包括对目标的分割、特征提取和目标识别等几个方面。由于现在的目标跟踪方法都是面向特定应用环境的,所以不存在一个算法能通用所有的场景。探索并明确算法的特点和应用环境,对于在实际应用中选择合适的方法是十分必要的。目前的大部分文章都是根据具体适应场景分析各自的方法,缺乏对跟踪方法的系统性研究,该文简要介绍了动态场景下单个运动目标的几种典型跟踪方法,在算法内容、假设条件、先验知识、理论计算量、实现难点及改进措施等方面进行了分析,并对研究难点及未来的发展趋势作了较为详细的阐述。     

基于改进模板匹配的目标跟踪算法

基于模板匹配的目标跟踪应用中,常见的一个问题是相似性度量值受噪声影响较大.为解决这个问题,提出了一种新的相似度量方法.通过采用距离加权、模板更新以及局部匹配的方法,提高了在不同光照条件及变形情况下跟踪算法的鲁棒性.对原算法和改进算法进行了对比实验,结果表明改进后的算法在存在严重遮挡的情况下,仍能准确地跟踪到运动目标.将mean-shift跟踪、基于子空间分解的粒子滤波跟踪及基于改进的模板匹配跟踪进行了比较,实验结果表明改进后的算法实现简单,跟踪性能与其他两种跟踪算法相近.     

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,...     

运动目标跟踪算法研究综述*

将运动目标跟踪问题分解为运动检测和目标跟踪分别加以讨论,分类描述了目标跟踪问题的研究现状、研究方法及常用算法,比较了各种方法的优劣及面临的技术难点问题,并对运动目标跟踪算法的研究前景进行了展望。     

Moving object detection using region tracking

For many vision-based systems, it is important to detect a moving object automatically. The region-based motion estimation method is popular for automatic moving object detection. The region-based method has several advantages in that it is robust to noise and variations in illumination. However, there is a critical problem in that there exists an occlusion problem which is caused by the movement of the object. The occlusion problem results in an incorrect motion estimation and faulty detection of moving objects. When there are occlusion regions, the motion vector is not correctly estimated. That is, a stationary background in the occluded region can be classified as a moving object.In order to overcome this occlusion problem, a new occlusion detection algorithm is proposed. The proposed occlusion detection algorithm is motivated by the assumption that the distribution of the error histogram of the occlusion region is different from that of the nonocclusion region. The proposed algorithm uses the mean and variance values to decide whether an occlusion has occurred in the region. Therefore, the proposed occlusion detection and motion estimation scheme detects the moving regions and estimates the new motion vector, while avoiding misdetection caused by the occlusion problem. The experimental results for several video sequences demonstrate the robustness of the proposed approach to the occlusion problem.This work was presented in part at the 8th International Symposium on Artificial Life and Robotics, Oita, Japan, January 24–26, 2003     

基于模板匹配及区域信息融合提取的快速目标跟踪算法

提出了一种基于融合的快速目标跟踪算法。该方法将目标预测模型、目标模板匹配以及目标空间信息融合到统一框架内。该方法通过预测模型,预测下一帧中目标候选区域,从而降低模板匹配方法的搜索区域。然后在预测模型预测的搜索范围内进行目标的模板匹配,同时,提取目标的区域信息来辅助目标的模板跟踪方法。最终跟踪结果由目标模板跟踪以及目标的空间信息共同决定。本方法由于采用了目标的预测模型,从而能够减少目标的搜索范围,降低因目标的全图搜索造成的时间开销。并且由于减少了搜索区域,剔除了部分相似的匹配窗口,从而提高了跟踪时匹配的精度。本算法结合了目标模板跟踪和目标区域信息的优点,能够增强目标跟踪过程准确度。由于加入了目标的区域信息,对目标跟踪中出现的漂移现象更加鲁棒。实验结果表明,本方法在进行目标跟踪过程中对出现的漂移、遮挡等问题更加鲁棒、稳定。     

基于背景重构的运动目标检测算法研究与应用

对视频序列中的运动目标检测方法进行了研究,提出了一种基于背景重构的运动目标检测算法。通过自学习方法建立视频图像的高斯模型,构造初始背景图像;运用差分算法,得到运动目标,并对背景图像进行了重构、更新,得到实时背景图像。该方法在有运动目标存在的情况下进行实时建模,实用价值高。     

基于TLD框架的快速目标跟踪方法

现实中目标在被长期跟踪时容易发生形变、遮挡、光照干扰以及其它问题,现有跟踪算法虽能解决该系列问题但算法计算量巨大导致跟踪系统实时性能较差,很难应用于实际场合。因此准确快速跟踪目标成为近年来非常有挑战的热点课题。以国外学者Zdenek Kalal等人提出的TLD(Tracking-Learning-Detection)框架为基础,提出了三点改进方法。一根据目标所占整幅图像的面积大小动态调整被处理图像的分辨率,从总体上减少样本数量;二在目标邻近区域扫描生成样本,缩小检测器的检测范围;三更换检测部分中分类器模板匹配方法,实现快速匹配,提高算法运行速度。针对与不同的场景,实验表明上述问题在改进后的算法中得到了较大的改善,算法的计算量有效降低,系统运行速度得到提高。且对于实时摄像头监控,改进后算法在保证目标跟踪准确率的同时拥有较好的实时性。     

基于相关滤波器的长时视觉目标跟踪方法

为解决相关滤波器（CF）在跟踪快速运动目标时存在跟踪失败的问题,提出一种结合了核相关滤波（KCF）跟踪器和基于光流法的检测器的长时核相关滤波（LKCF）跟踪算法。首先,使用跟踪器跟踪目标,并计算所得跟踪目标的峰值响应强度（PSR）;然后,通过比较峰值响应强度（PSR）与经验阈值大小判断目标是否跟踪丢失,当目标跟踪丢失时,在上一帧所得目标附近运用光流法检测运动目标,得到目标在当前帧中的粗略位置;最后,在此粗略位置处再次运用跟踪器得到精确位置。与核相关滤波（KCF）、跟踪-学习-检测（TLD）、压缩跟踪（CT）、时空上下文（STC）等4种跟踪算法进行对比实验,实验结果表明,所提算法在距离精确度和成功率上都表现最优,且分别比核相关滤波（KCF）跟踪算法高6.2个百分点和5.1个百分点,表明所提算法对跟踪快速运动目标有很强的适应能力。     

一种基于模板匹配的运动目标跟踪方法

为了提高运动目标跟踪算法在复杂场景下的稳定性,提出了一种将小波变换与模扳匹配相融合的跟踪方法。它首先对图像序列采用滤波器组实现运动目标分割,再通过对图像序列小波变换以确定目标匹配子图像,最终使用模板匹配求取最佳匹配点来实现实时跟踪。采用MATLAB仿真实验,对标准视频序列coastguard_cif实验测试结果表明,提出的方法具有良好的跟踪性能。     

采用测地线活动轮廓模型检测与跟踪运动目标

水平集几何活动轮廓模型能较好地适应曲线的拓扑变化.为了跟踪和获取刚体和非刚体运动目标的轮廓信息,提出了一种基于改进测地线活动轮廓(GAC)模型和Kalman滤波相结合的算法以检测和跟踪运动目标.该算法首先采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内采用引入距离规则化项的GAC模型进行曲线演化,使改进GAC模型在运动目标的真实轮廓处收敛;然后通过结合Kalman滤波预测目标下一帧的位置,实现对目标轮廓跟踪.实验结果表明,该方法适用于刚体和非刚体目标,在部分遮挡的情况下也能保持良好的检测和跟踪效果.     

一类视频序列中的人脸检测与实时跟踪算法

提出一种新的人脸快速检测与实时跟踪算法,能够对视频序列中的人脸进行快速、准确地检测和跟踪。算法分为开始状态、目标丢失状态的人脸检测和连续状态的目标跟踪。首先预测人脸两眼之间的中心位置,得到人脸的预测位置并对预测位置处的图像进行模板匹配,快速检测出人脸准确位置。然后利用检测出的人脸修正人脸模板,并在检测出的位置、旋转度、缩放比例等条件下,对后面序列图像进行小位置、小角度的快速跟踪。实验采用了多种环境下的大量视频,结果显示该算法能够快速跟踪视频序列中的人脸并具有很高的准确性、鲁棒性。