基于OpenCV的视频运动目标检测与跟踪

针对视频文件中运动目标检测与跟踪这一问题,提出一种先检测后跟踪的方法.首先利用平均背景法完成对背景模型的更新,从而检测出运动目标,在此基础上利用投影法来投影出运动目标的大小,最后再利用MeanShift算法对运动目标进行跟踪.在跟踪过程中,通过OpenCV编写程序实现对运动目标的检测与跟踪.实验验证,该方法在实现运动目标的精确检测与跟踪的基础上,减少了运算量,提高了跟踪的速度.     

基于OpenCV的道路视频分析系统

当前投入使用的车辆检测系统普遍采用图像回传至服务器后主机集中处理的方式,存在输出数据大,处理时间长等缺点.本文依据ITS系统的构成提出了嵌入式硬件平台的搭建方案,着重对视频图像进行分析并对跟踪算法进行优化.使用OpenCV为图像基础处理工具,通过对比canny算子和sobel算子的区别,选定更具优越性的边缘算法.针对拖影问题,背景采用改进的均值法（即间隔取帧）来提取.最后选用核跟踪的方式实现动态目标的跟踪,并将其应用在系统中实现对动态目标的稳定跟踪.     

基于静态场景下的单目标徘徊检测及跟踪方法

提出了一种单目标徘徊检测及跟踪方法.该方法能够有效地对防区内有徘徊行为的对象进行跟踪报警,简单实现了监控方式由事后取证到提前预防的转变.目标的跟踪是通过背景差分方法检测出运动目标,然后利用矩形逼近目标轮廓,并把该矩形作为目标跟踪时的跟踪框,最后利用Camshift算法弥补背景差分方法的不足.实验结果表明,本方法能满足单目标徘徊跟踪的基本要求.     

基于视频序列的目标检测与跟踪技术研究

针对计算机智能监控环境,文中提出一种改进的基于像素灰度出现概率最大值的背景建立方法,该方法克服了光照变化对背景重建的影响,使得背景建立的时间大大缩短。并采用一种新的自适应背景更新算法获得背景图像以进行目标检测,这种方法较好地克服了IIR法更新速度难以取值的缺点,使得更新速率可以达到自适应的效果;在目标跟踪阶段,使用基于卡尔曼滤波的方法对检测出的运动目标进行跟踪,由于卡尔曼预测可以大大减小特征匹配的搜索范围,因此提高了跟踪的实时性。实验结果表明,该文的算法能够快速有效地获得、更新背景,并且能够实时地对运动目标进行跟踪。     

基于运动目标的监控视频检索方法

随着我国视频监控网络的不断壮大,监控视频数据呈现海量增长的趋势,如何快速有效地进行监控视频检索变得越来越重要。提出一种基于运动目标的监控视频检索方法。对监控视频中的运动目标提取特征,生成相应的视频描述文件,通过匹配查询图片与描述文件中的运动目标特征最终找到相似对象出现的视频片断。实验表明,该方法实用性较好。     

基于OpenCV运动目标的检测研究

在Visual C＋＋6.0环境下,介绍一种结合背景差分法和瞬时差分法,能在视频序列中识别运动目标算法,结合OpenCV给出了具体过程和部分代码。该算法利用瞬时差分法得到当前帧中运动目标的轮廓信息,在更新背景模型时不更新运动目标轮廓内区域,避免了由运动目标引起的背景模型更新误差,当发现移动物便自动发出警告声。     

基于OpenCV的运动目标定位跟踪系统软件设计

目标定位跟踪技术一直是计算机视觉领域的一个研究热点。为了更好地改进目标跟踪算法的跟踪特性,设计一种基于OpenCV的目标定位跟踪软件系统。通过对Camshifl跟踪算法的研究和改进,以实际的跟踪环境为背景,利用VS2008软件平台和OpenCV库函数,设计一种可以控制云台并实时定位跟踪运动目标的软件系统。实验证明,本系统定位跟踪精确,为运动目标的定位跟踪的研究和应用提供了方便,具有一定的实际意义。     

视频序列中的运动目标检测

针对室内安全监控的场景特点,提出一种稳健的运动目标检测方法,对每个背景像素使用多个矢量表示,利用当前帧和背景帧像素的色度分量差分进行运动检测,并选择性地更新背景模型.实验表明,该方法能有效消除背景中振动对象的干扰,提高运动目标检测的准确性,有利于消除由于虚假目标而导致的误报警.     

基于帧间差分和背景差分结合的Camshift目标跟踪算法

Camshift算法需要手动标定目标区域,且具有无法适应目标的高速运动、相似颜色背景和遮挡等情况的局限性。针对这些情况提出结合帧间差分法和背景差分相结合的方法对Camshift算法进行改进。首先利于帧间差分和背景差分相结合检测出运动目标区域。然后用该区域初始化跟踪目标窗口。当有相似颜色背景干扰或遮挡情况发生时,利用检测出的运动目标区域对搜索窗口进行限制。同时,使用Kalman滤波对下一帧的搜索窗口进行预测,从而使该算法适合高速运动目标的跟踪。实验表明该算法能够准确对目标窗口进行初始化,且在目标高速运动、遮挡、和相似颜色背景干扰情况下,仍能进行适时实时有效跟踪。     

文本检索方法驱动的海量图像数据库目标匹配研究

针对当前基于文本检索方法的图像目标对象匹配技术无法适应海量图像数据库检索的问题,本文提出一种有效可行的海量图像数据库的检索方法,并给出了该系统的构建框架。用户通过在图像中选择一块区域作为检索的目标对象提交给系统,它将从图像数据库中检索出包含有相同或相似目标对象的图像,将其排序后返回给用户。实验表明,本文提出的方法具有检索准确率高、响应时间短等特点,是一种有效的海量图像数据库检索方法。     

一种基于目标区域的图像检索方法

为了弥补全局特征在描述图像内容上的不足,论文描述了一种基于目标区域的图像检索方法:从用户指定的区域中分割并提取出所包含的目标,然后利用目标区域的视觉特征进行图像检索。在图像检索时,提取目标区域对应的子图像特征代替全局图像特征进行图像相似性匹配。实验结果表明,基于目标区域的图像检索效果比基于全局图像特征的检索效果有较好的改善。     

基于背景重建和MDBP的视频对象分割算法

提出了背景置信度图像和背景标示图像的概念,给出了一种基于背景重建和象素最小距离(M DBP)的自动视频对象分割方法。首先运用基于背景置信度图像和背景标示图像的背景重建技术从视频序列的多帧图像中重建出可靠的背景图像,然后运用差背景法分割视频对象(VO),同时再利用象素最小距离(M D BP)和总体象素最小距离(W M DBP)准则对分割出的视频对象图像进行处理,克服由于背景的微小变化而引起的前景对象的错误检测。试验结果表明该文给出方法能够较好地重建背景,对于背景静止的视频能够得到更好的分割结果。     

基于背景构造的视频对象分割技术

基于背景帧通过变化检测技术分割视频对象时，背景构造和阴影消除是两个非常重要的问题。本文提出了一种稳健的背景构造技术，利用计数器累积判决像素点是否属于背景，使得构造的背景帧更加可靠，背景的自动更新可以自适应于光照的慢变化。最后，根据光反射模型消除了阴影的影响。     

视频监控系统中运动目标的实时检测

实现鲁棒且实时的目标分割是视频监控系统的关键。针对照明条件连续变化的监控环境中背景图像像素灰度不断变化的情况,提出一种能自适应光线变化的背景更新算法,利用帧间差分和背景差分共同确定运动目标。实验结果证明该算法运算量小、鲁棒性好,适用于室内或室外的监控设备。     

基于OpenCV的视频运动目标检测及其应用研究

高斯混合模型已经成为对视频利用背景减除法进行运动目标检测的最多的一种背景建模模型,也成为一种标准模型。首先对高斯混合模型的理论框架进行了分析,然后采用OpenCV技术实现高斯混合模型来检测视频运动目标,实验结果表明高斯混合模型对摄像头静止的道路监控视频运动目标检测具有较好的效果。最后以该运动目标检测技术为基础设计了一种智能视频监控系统,该系统具有较好的实用性。     

基于Mean Shift算法的目标跟踪综述

介绍Mean Shift算法及其研究进展,在众多计算机视觉研究和实际应用,尤其是视频跟踪研究中,基于Mean Shift算法的视频跟踪被大量应用。就目前所应用的跟踪算法,Mean Shift算法使跟踪中存在的很多问题得到了解决,例如运动目标的突然加速,背景的干扰,目标和目标以及目标和背景之间的遮挡,背景或者目标外部的变化等。对目前基于Mean Shift算法本身及其改进方法的理论和应用进行分类和比较,详述其各自方法内容和优缺点。     

基于全卷积网络的中小目标检索方法(201909撤稿)

基于预训练卷积神经网络(convolutional neural networks, CNNs)的图像表示已成为图像检索任务中一种新的方法,但是这种图像表示方法均是对图像的整体特征表示,无法适用于目标仅占被检索图像的部分区域的检索.为了解决该问题,提出一种基于全卷积网络的中小目标检索方法,该方法将预训练全卷积网络应用于目标较小、仅占被检索图像部分区域的检索.1)利用全卷积网络对输入图像大小不受限制的优势,给定被检索图像,经过全卷积网络得到该图像的特征矩阵表示;2)给定查询目标图像,利用全卷积神经网络,得到目标图像的特征表示;3)将目标特征,与被检索图像的特征矩阵的每一个特征进行相似性比对,得到相似值和匹配最优位置.进一步引入多尺度、多比例变换以适用不同大小的实例目标.在标准数据集Oxford5K上的实验表明:该算法的检索性能优于现有算法.另外,在搜集的Logo数据集,该算法得到了不错的检索效果,进一步验证了算法的普适性和有效性.