视频监控下的人脸跟踪与识别系统

针对智能视频监控系统的要求,设计了一个基于视频监控的自动多人脸跟踪识别系统,该系统的功能是实时跟踪视频监控范围内的人脸并鉴别人脸的身份。针对复杂背景及类似人脸区域的影响,提出了一种Adaboost人脸检测算法和主动形状模型相结合的人脸检测算法,实现人脸的准确检测;针对视频监控范围内人脸偏转、交错以及由于人员不断出入而导致人脸数目发生变化的问题,提出了CamShift和Kalman滤波器相结合的多人脸跟踪算法,同时对跟踪到的人脸进行实时身份识别。实验证明,该系统在视频监控范围内对人脸检测和身份识别准确,跟踪实时性好,是一种建立实时视频监控系统的实用方法。     

多场景视频监控中的人物连续跟踪

针对多场景监控,提出一种能在非重叠的多摄像机之间,实时地检测与被跟踪行人（目标）的视频监控系统。该系统分别对每个摄像机视频进行背景建模、前景检测以及运动目标的特征提取,当目标离开摄像机视域的时候,根据已知的拓扑关系向相关摄像机发布监控任务,当有目标进入处于有效监控状态的摄像机视域时,进行目标匹配,从而实现在多摄像机系统中对行人目标的持续跟踪。实验表明,该系统在非重叠摄像机场景中能实现实时的、鲁棒的目标跟踪。     

基于全景摄像头的柱面展开及实时目标跟踪

传统摄像头在获取大范围复杂场景中的感兴趣目标时,容易出现目标物体丢失或遮挡等问题。为此,提出一种基于全景摄像头的柱面展开及运动目标实时跟踪算法。通过改进的柱面展开算法对360。摄像头获取的全景图像进行还原展开,解决全景图像中的成像扭曲问题。利用CamShift和Kalman预测相结合的算法跟踪运动目标。实验结果表明,在运动目标存在遮挡、短暂消失或同色物体干扰的情况下,该方法能实现对全景范围复杂环境中运动目标实时鲁棒的跟踪。     

无人机对船舶目标的改进CamShift跟踪算法研究

针对由于CamShift算法跟踪特征单一引起的对颜色相似目标或背景的干扰和对目标遮挡情况较敏感的问题,提出了一种基于改进CamShift融合局部特征匹配的无人机目标跟踪算法.首先,采用基于 H分量和LBP二维模板的改进CamShift目标跟踪算法以提高对相似目标干扰的鲁棒性;其次,在能保证目标跟踪的实时性要求的前提下,融合局部特征匹配算法中的BRISK匹配算法,可有效改善CamShift对颜色相似目标或背景的干扰的敏感性,同时增强对目标遮挡鲁棒性.实验结果表明,该改进算法通过颜色特征和局部特征的共同定位目标,实现了目标的准确跟踪.     

异视场多目标匹配跟踪技术

针对宽泛条件下不同视域场景多摄像机多目标的匹配跟踪问题,提出了一种基于纯目标的强鲁棒自适应SIFT（Scale Invariant Feature Transform）特征匹配算法。该方法为每个从视频图像中提取出的纯目标设置一个CamShift（Continuously Adaptive Mean Shift）跟踪器,利用自适应尺度空间因子提取目标的细节特征,采用基于BBF（Best Bin First）的双向匹配策略去除误匹配点,当目标的关键点数量太少,无法满足计算三维二次函数精确关键点位置时,构造了自适应尺度Harris角点检测法增补新点。通过对户外车辆、人员等在不同场景下的连续跟踪实验表明,本算法实时性好、自适应能力强,与其他算法相比,匹配耗时少,跟踪精度高。     

基于CamShift和Kalman组合的改进目标跟踪算法

针对应用CamShift算法进行目标跟踪过程中,当目标被严重遮挡、目标被与目标颜色相近的背景干扰时易丢失跟踪目标的问题,提出了一种基于CamShift和Kalman滤波组合的改进跟踪算法;为克服目标因严重遮挡而丢失的缺陷,利用自适应算法改进了传统的CamShift算法,扩大了搜索窗口,使运动目标位于搜索窗口内;为解决目标因颜色相近背景干扰而丢失的问题,改善跟踪准确率,利用卡尔曼滤波预测目标运动空间位置,作为下一帧搜索窗口的质心坐标;基于上述改进,利用C++语言,研发了改进的CamShift目标跟踪软件模块,给出了该模块的算法流程;实验结果表明,改进后的目标跟踪算法能有效地克服传统CamShift算法的缺陷,大大提高运动目标跟踪的准确性;所提的算法可以应用于运动小车跟踪,人脸识别等领域。     

基于高速公路场景的车辆目标跟踪

车辆目标检测与跟踪是高速公路视频监控系统实时监控获取交通参数的关键步骤.本文提出了一种面向高速公路场景的目标轨迹时序信息结合核相关滤波KCF算法的车辆目标跟踪方法,实现了车辆目标的高精度持续跟踪.该方法首先采用基于深度学习的单目标检测SSD算法,通过建立车辆数据集,实现了适用于高速公路场景的车辆目标的分类与检测.然后,基于目标轨迹时序信息实现目标车辆与轨迹的匹配,并且采用KCF跟踪算法对丢失目标进行预测重定位,从而实现车辆目标轨迹的持续跟踪.实验表明,该跟踪方法精度高,且适应多种不同场景,具有较高的应用价值.     

基于Camshift算法的运动目标检测

CamShift算法是一种实时的跟踪算法,它是利用目标的颜色直方图模型得到每帧图像的颜色投影图,并根据上一帧跟踪的结果自适应调整搜索窗口的位置和大小,从而得到当前图像中目标的尺寸和中心位置。本系统主要是基于CamShift的算法设计一个对运动目标跟踪检测系统,本系统既可以对室内环境的运动目标进行跟踪,也可以对视频流中的运动目标进行跟踪。     

基于CamShift融合局部特征匹配的无人机目标跟踪研究

针对由于CamShift算法跟踪特征单一引起的对颜色相似目标或背景的干扰和对目标遮挡情况较敏感的问题,提出了一种CamShift融合局部特征匹配的无人机目标跟踪算法。实验表明,局部特征匹配算法中BRISK匹配算法在特征检测和特征描述阶段都表现出了较好的性能,融合CamShift算法和BRISK算法的目标跟踪算法在能保证目标跟踪的实时性要求的前提下,改善了CamShift对颜色相似目标或背景的干扰的敏感性,同时增强了对目标遮挡鲁棒性。该方法通过颜色特征和局部特征的共同定位目标,实现了目标的准确跟踪。     

基于高斯混合模型联合CamShift的运动图像检测跟踪方法

CamShift算法是典型的运动图像跟踪方法,但是单纯CamShift准确率低,容易丢失目标。为提高准确略,本文提出将高斯混合模型运用到CamShift算法中进行目标跟踪操作。首先采用高斯混合模型标示出目标局部区域,并将其作为CamShift的初始搜索窗,提高效率;随后对目标进行跟踪时将CamShift算法的窗中心同差分法计算出的目标区域中心作对比,确定后续帧搜索窗,避免目标跟踪丢失。最后,实验证明了该方法可以对目标进行有效跟踪,且在目标颜色同背景色差异小的情况下依然具有非常高的准确率。     

Automatic camera control in virtual environments augmented using multiple sparse videos

Automated virtual camera control has been widely used in animation and interactive virtual environments. We have developed a multiple sparse camera based free view video system prototype that allows users to control the position and orientation of a virtual camera, enabling the observation of a real scene in three dimensions (3D) from any desired viewpoint. Automatic camera control can be activated to follow selected objects by the user. Our method combines a simple geometric model of the scene composed of planes (virtual environment), augmented with visual information from the cameras and pre-computed tracking information of moving targets to generate novel perspective corrected 3D views of the virtual camera and moving objects. To achieve real-time rendering performance, view-dependent textured mapped billboards are used to render the moving objects at their correct locations and foreground masks are used to remove the moving objects from the projected video streams. The current prototype runs on a PC with a common graphics card and can generate virtual 2D views from three cameras of resolution 768×576 with several moving objects at about 11 fps.     

ASSET-2: Real-Time Motion Segmentation and Object Tracking

This paper describes how image sequences taken by a moving video camera may be processed to detect and track moving objects against a moving background in real-time. The motion segmentation and shape tracking system is known as a scene segmenter establishing tracking, version 2 (ASSET-2). Motion is found by tracking image features, and segmentation is based on first-order (i.e. six-parameter) flow fields. Shape tracking is performed using two-dimensional radial map representations. The system runs in real-time, and is accurate and reliable. It requires no camera calibration and no knowledge of the camera's motion.     

Region-growing detection of moving objects in video sequences based on optical flow

A region-growing algorithm for detecting moving objects in video sequences based on optical flow is suggested; it calculates the optical flow only for moving objects and does not consider stationary image regions. The algorithm has linear complexity depending on the value of the optical flow window, uses SSE2/SSE3 instructions for significant acceleration of the calculations, and can be used in the real-time mode in problems of detection and tracking of moving objects in video sequences with fragmentary filling of frames with moving objects.     

基于改进的tMHI的实时视频运动目标检测及跟踪

提出了一种对视频图像进行实时目标分割及跟踪的新方法。该方法利用基于时间片的运动历史图像（tMHI）的灰度阶梯轮廓,对存在的子运动区域进行包围划分并予以标记,实现视频图像中运动目标的实时分割,进而将每帧tMHI图像中各个运动区域同场景中运动目标连续关联起来,实现对多运动目标的轨迹跟踪。为了提高分割质量,对tMHI进行了改进处理,去除了大部分噪声干扰,取得了明显的改善效果。实验表明,该方法可以有效地分割并跟踪视频中的多个运动目标,鲁棒性好,检出率较高,并且处理速度较快,达到了实时性的要求,还解决了局部粘连的问题。     

基于改进运动历史图像的多运动目标实时跟踪

提出了一种利用视频图像对运动目标进行实时检测与跟踪的新方法.该方法利用基于改进的时间片的运动历史图像(tMHI)的灰度阶梯轮廓方法对多个运动目标进行检测,通过卡尔曼滤波器对多目标进行跟踪,并得到了各个运动目标的轨迹曲线,进而实现了对视频图像中多目标的跟踪.同时,该方法对多个目标的遮挡问题获得了明显的改善效果.实验结果表明,该方法能够对复杂场景下的多个目标进行有效的识别和准确的跟踪,系统的实时性强,识别率高,而且该方法对于复杂视频监视系统场景中的光照变化、雨雾等干扰具有较强的稳健性.     

基于SAD与UKF-MeanShift的主动目标跟踪

针对复杂场景下动态目标难以准确分割以及目标难以准确定位的问题,提出将绝对差值和(SAD)方法、无迹卡尔曼滤波(UKF)和Mean shift算法相结合的混合自主跟踪动态目标的方法。首先,采用SAD方法获相邻两帧的视差信息,利用视差实现动态目标的检测,并依此建立目标的核直方图描述模型和状态空间模型,然后UKF算法对状态空间进行滤波估计,最后采用Mean shift 算法精确定位目标。实验结果表明该方法不仅能有效检测场景的动态目标,同时还能获得目标的运动信息。文中所提出的基于UKF-Mean shift的跟踪策略与相关算法相比,体现出较好的跟踪效果与时间性能。     

监控视频中多目标的检测与跟踪研究

通过对静态背景下多运动目标监控视频的研究,分析得到了视频图像序列中运动目标的特性,实现了背景预测目标检测法。在此基础上,实现了MeanShift目标跟踪算法,取得较为满意的跟踪结果,并给出了形心多目标跟踪方法的具体实现。通过实验证明该方法可同时实现对多个人体运动目标的实时跟踪,具有一定的理论和实用价值。     

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。      

Moving objects detection employing iterative update of the background

Detection of objects from a video is one of the basic issues in computer vision study. It is obvious that moving objects detection is particularly important, since they are those to which one should pay attention in walking, running, or driving a car. This paper proposes a method of detecting moving objects from a video as foreground objects by inferring backgrounds frame by frame. The proposed method can cope with various changes of a scene including large dynamical change of a scene in a video taken by a stationary/moving camera. Experimental results show satisfactory performance of the proposed method.