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。      

基于跟踪算法和模糊推理的交通事件检测方法

针对高速公路交通事故容易引发大规模拥堵的问题,提出了一种基于视频的快速检测算法,实现了事件信息的快速反馈。首先利用平稳序列法获取背景,并由背景差法获取前景。然后在使用凸包占有率对遮挡进行检测的基础上,采用改进的卡尔曼滤波特征匹配跟踪算法对车辆进行跟踪。最后通过对交通流的速度和流量进行检测,建立速度、流量与交通流状态之间的映射关系,运用模糊推理方法判别交通事件的发生。实验结果证明,本文提出的 方法能有效地获取前景信息,并能实时有效地对高速公路上的交通事件进行检测。     

基于视频检测技术的智能隧道交通安全监控系统设计

隧道实时交通安全监控系统是确保隧道安全运营的重要手段.针对隧道环境的特殊性,提出基于差异深度积累的目标检测算法和基于卡尔曼滤波的目标跟踪算法,实现了多运动目标的检测与跟踪,并综合运用图像处理、计算机视觉、模式识别和软件工程等技术设计了基于视频检测技术的智能隧道交通安全监控系统.该系统能准确地检测出各种交通运行参数和交通事件,为隧道交通安全提供了有力保障.     

基于自动标注特征点的人体关节跟踪

现有的基于人体特征点的关节跟踪方法大多采用手动标注特征点方式;提出了一种新的特征跟踪的方法,该方法能够对目标人体关节特征点进行自动标注,实现对人体关节点的自动跟踪;首先采用帧间差分和背景差分相融合的方法来分割运动人体,采用CANNY算子提取目标轮廓,自动标注关节特征点;然后采用LK光流算法跟踪标注的特征点;最后利用卡尔曼滤波线性跟踪来预测特征点出现的位置,从而修正那些产生跟踪错误的特征点;实验结果表明,该方法能够有效的对实际视频的目标人体进行特征点自动标注,取得较好的跟踪效果.     

遮挡条件下多运动车辆跟踪研究

针对SURF算法能够提取到的图像特征点较少的问题,基于保持亮度特性的双直方图均衡算法,通过重构SURF尺度空间提取图像特征。将这种方法与卡尔曼滤波相结合进行目标跟踪,用特征点的中心作为跟踪点;通过卡尔曼滤波预测出运动目标的位置,判断遮挡是否发生;最后,应用该方法进行目标特征向量匹配。实验结果表明,该算法对发生旋转、缩放以及遮挡的多运动目标都可进行稳定跟踪,其跟踪速度比R-SURF算法提高20%;在跟踪速度相当的情况下,跟踪精度要高于卡尔曼滤波跟踪算法。     

基于视频图像的交通事件自动检测算法综述*

基于视频的交通事件自动检测是近年来计算机视觉和人工智能方面的研究热点。首先分析了交通事件自动检测的研究现状,对其中涉及到的目标检测、目标跟踪以及行为识别与理解进行描述。目标检测和跟踪得到的是底层信息,而实现交通事件的自动检测需对跟踪结果进行更深层次的理解和识别。其次重点介绍了运动理解和行为识别中的HMM（隐马尔可夫模型）方法和SOFM(自组织特征映射神经网络)方法。最后从运动分割和特征提取方面分析了技术难点及解决方案,对可能的研究方向进行一定的预测。     

基于视频的交通目标跟踪方法研究

交通目标的检测是智能交通系统(ITS)中的一项关键技术,基于视频跟踪方法的检测技术是目前研究的热点.介绍了近年来提出的一些主要的基于视频的运动目标跟踪方法,对各种方法进行了归类,并分析比较了这些方法的优缺点.在此基础上,着重介绍了一种快速运动目标跟踪方法--MeanShift算法.该算法主要利用图像的颜色统计直方图作为特征,利用Bhattacharyya距离作为目标匹配相似性测度,采用梯度优化方法完成对运动目标的快速跟踪.该方法非常适合对交通目标的跟踪.     

视频交通参数检测技术研究现状及发展趋势

车流量、车速、车道占有率等交通参数是智能交通发挥作用的前提和基础,也是智能交通系统的关键所在,视频交通参数检测可为其提供丰富的交通信息。文章首先介绍了车辆检测的方法,并对基于虚拟检测器和基于目标提取和跟踪的交通参数提取技术进行了分析,同时介绍了近年来提出的一些基于视频的交通参数提取的算法和步骤,最后分析了视频交通参数检测技术的研究方向、存在问题及发展展望。     

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。     

基于分层光流的煤矿井下运动目标跟踪算法

针对煤矿井下视频序列高噪声、运动目标繁多、目标交错等特点,提出了一种基于分层光流法的矿井运动目标跟踪算法。首先对相邻两帧视频序列采用帧差法确定多个初始目标跟踪模版;然后采用SUSAN角点检测提取模版内的特征点;最后运用改进的分层光流法进行目标检测和跟踪,并在跟踪过程中对模版进行更新。该算法实现了煤矿井下多目标运动物体的稳定跟踪,并能解决目标部分遮挡问题。实验和仿真结果证实了该算法的有效性。     

一种基于角点的Mean Shift目标跟踪算法*

为了提高经典的Mean Shift算法在复杂场景中的跟踪性能,提出了一种基于角点的目标表示方法。首先,利用Harris角点检测算法提取表示目标主要特征的角点;其次,基于提取的角点,建立目标模型,将其嵌入Mean Shift算法进行跟踪。该方法仅用少量的关键点表示目标,能够自动去除目标和背景中的次要特征,有效地抑制背景成分对目标定位的影响,从而改进Mean Shift目标跟踪算法的性能。通过测试两个复杂环境下的视频,实验结果表明,相对于传统的目标跟踪算法,提出的方法取得了更好的性能。     

基于标记点的机器人抓取目标期望点动态匹配

针对特征点匹配过程中非标准形状目标物提取的特征点具有随机性,无法对目标物上某一点持续提取;且受环境影响,特征点匹配准确率不高等问题,提出一种基于标记点的匹配方法.首先在目标物期望跟踪点附近贴上若干个标记点,再通过YOLOv3对各标记点进行识别框选;然后在提取区域内进行FAST特征点检测并选取Harris响应值最大的N个...     

融合图像显著性与特征点匹配的形变目标跟踪

目的 针对目标在跟踪过程中出现剧烈形变,特别是剧烈尺度变化的而导致跟踪失败情况,提出融合图像显著性与特征点匹配的目标跟踪算法。方法 首先利用改进的BRISK（binary robust invariant scalable keypoints）特征点检测算法,对视频序列中的初始帧提取特征点,确定跟踪算法中的目标模板和目标模板特征点集合;接着对当前帧进行特征点检测,并与目标模板特征点集合利用FLANN（fast approximate nearest neighbor search library）方法进行匹配得到匹配特征点子集;然后融合匹配特征点和光流特征点确定可靠特征点集;再后基于可靠特征点集和目标模板特征点集计算单应性变换矩阵粗确定目标跟踪框,继而基于LC（local contrast）图像显著性精确定目标跟踪框;最后融合图像显著性和可靠特征点自适应确定目标跟踪框。当连续三帧目标发生剧烈形变时,更新目标模板和目标模板特征点集。结果 为了验证算法性能,在OTB2013数据集中挑选出具有形变特性的8个视频序列,共2214帧图像作为实验数据集。在重合度实验中,本文算法能够达到0.567 1的平均重合度,优于当前先进的跟踪算法;在重合度成功率实验中,本文算法也比当前先进的跟踪算法具有更好的跟踪效果。最后利用Vega Prime仿真了无人机快速抵近飞行下目标出现剧烈形变的航拍视频序列,序列中目标的最大形变量超过14,帧间最大形变量达到1.72,实验表明本文算法在该视频序列上具有更好的跟踪效果。本文算法具有较好的实时性,平均帧率48.6帧/s。结论 本文算法能够实时准确的跟踪剧烈形变的目标,特别是剧烈尺度变化的目标。     

公共区域监控视频数据目标特征跟踪定位方法

为了提高公共区域监控视频的目标定位检测能力,需要进行目标特征跟踪定位算法设计,提出一种基于图像超分辨率重建的公共区域监控视频数据目标特征跟踪定位方法。构建公共区域监控视频的三维图像重建模型,采用边缘层的高分辨融合方法进行公共区域监控视频图像数据的三维结构重组,提取公共区域监控视频的关键特征点,用图像退化模型进行公共区域监控视频数据目标特征检测,结合线性滤波模型使得监测输出图像满足最优匹配特征解,提高对公共区域监控视频数据目标特征跟踪能力。引入引导滤波方法进行公共区域监控视频数据的图像超分辨重建,实现对目标特征准确跟踪定位。仿真结果表明,采用该方法进行公共区域监控视频数据目标特征跟踪定位的准确性较高,图像重建能力较强,归一化均方根误差较小。     

基于多视角视频的运动重建

为了更逼真地从视频图像序列中实现三维人体骨架动画形式的提取,以便进一步地对人体运动进行分析与研究,提出了一种基于多视角视频的运动重建的方法。该方法充分利用了标记点的信息,其核心步骤有标定摄像机,提取标记点,跟踪标记点和人体运动三维重建四个主要方面。其中,在跟踪标记点时,使用了基于多视觉的目标跟踪算法,该算法由结合了扩展卡尔曼滤波预测与标记点轨迹平滑性约束所构成的双目立体视觉跟踪与多目视觉数据融合两个方面。实验结果证明了所提方法的有效性与可行性。     

基于视觉注意机制的目标跟踪方法

提出一种基于视觉注意机制的运动目标跟踪方法。该方法借鉴人类的视觉注意机制的研究成果,建立视觉注意机制的计算模型,计算视频中各部分内容的视觉显著性。结合视觉显著性计算结果,提取视频图像中的显著性目标。利用颜色分布模型作为目标的特征表示模型,与视频中各显著目标进行特征匹配,实现目标的跟踪。在多个视频序列中进行实验,并给出相应的实验结果及分析。实验结果表明,提出的目标检测与跟踪算法是正确有效的。     

一种高鲁棒性的夜间车辆定位与跟踪方法

针对夜间环境下的车辆检测问题,从车头灯视角出发,提出一种具有高鲁棒性的夜间车辆定位和跟踪方法。结合卡尔曼滤波实现健壮的亮斑帧间跟踪,并根据亮斑的运动连续性和形态稳定性提取车灯目标。采用基于时域和空域特征的谱系聚类方法对车灯进行同车分组,利用车头灯组对车辆目标进行准确定位和跟踪。实验表明该方法在夜间交通环境中的有效性和高鲁棒性。     

光流引导下机器人抓取目标物角点动态匹配

针对目标物位姿在线估计中的特征点动态匹配问题,以木块作为实验对象,提出了一种光流引导的目标物角点动态匹配方法。使用Yolov2-tiny进行目标物识别,完成目标物定位与分类。在提取区域内完成Shi-Tomasi角点检测,采用LK（Lucas-Kanade）光流对角点跟踪的方法实现角点在相邻两帧图像中的初始匹配,针对光流跟踪中特征点的偏移问题,对跟踪点为中心的11×11邻域进行角点再提纯。实验证明该算法能在视频序列中对目标物角点实时动态地匹配,且角点匹配结果比SIFT和Harris-SIFT方法准确度更高,实时性更好。     

基于改进光流法的旋转运动背景下对地运动目标实时检测

针对战机对地侦查视频图像中地面旋转运动背景下运动目标检测高虚警、低实时性的问题,提出了一种基于改进光流法的旋转运动背景下对地运动目标实时检测算法。首先提取图像的特征点,在特征点处计算光流运动矢量,并通过光流矢量场估算背景运动矢量。根据战机飞行高度自适应计算目标像素尺寸,网格化分块待检测图像;然后将各个特征点光流矢量与背景运动矢量相比较,获得备选目标特征点。最后统计分块备选目标特征点密度,判断目标位置区域。对2组实验视频中央360像素×432像素区域进行目标检测实验,结果表明该算法能够准确地检测出地面运动目标,虚警率低。平均每帧检测耗时分别为29.460 ms和31.505 ms,满足战机对地运动目标检测的实时性。     

交通路口视频奇异运动事件检测

提出了一种基于运动特征的交通路口视频奇异事件的检测的方法。该方法针对具体应用背景,不需要进行单个目标的跟踪和检测,而是直接运动运动特征进行检测。方法首先提取运动像素,并通过运动像素集合和运动矢量的大小判断运动目标种类（车辆或行人）。然后,在此基础上进一步分析目标的运动轨迹,将新出现的和已经有运动轨迹明显不一致的运动,和明显不符合交通规则的运动（如车辆的逆行）判定为异常运动。该方法在一定样本基础上进行了实验,实验结果表明,该方法可以较好地检测交通路口的奇异性运动事件。