视频序列中人体运动目标的检测与跟踪研究

提出一种视频序列中人体运动目标的精确检测、提取以硬跟踪算法。该算法采用帧间差闽值法（简称TIFD）实现快速精确地检测和提取目标,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域,缩小了目标跟踪时的搜索范围。充分利用运行目标检测的结果,提高了目标的匹配效率及跟踪速度。同时给出了相应的实验结果,结果表明方法是比较实用的,能满足人体运动分析的基本要求。     

基于运动目标检测技术的研究

运动目标检测的目的是在序列图像中将变化区域从背景图像中提取出来,因此如何将运动目标进行有效的分割对后期目标跟踪处理等行为有着非常重要的作用,直接影响到整个视频监控系统的性能指标.本文将对静态背景下运动目标检测技术中的帧间差分法、背景差分法进行研究,并通过实验论证其优缺点.     

运动目标检测方法概述

随着社会的发展,人们获取的信息途径越来越多,单纯的依靠人类的五官已不能及时的将我们获取的海量信息进行甄别和判断,因此计算机技术基础上发展的图像处理技术为我们生活、工作中的信息处理提供了很大的帮助,其在社会中的作用也越来越凸显。其中,运动目标检测技术是整个图像处理技术的基础性环节,直接关系到后续信息处理的成败。本文主要介绍了目标检测的常用算法的原理以及它们的优缺点,并对其中的帧间差分法和背景减除法进行了仿真实验,以验证其优缺点。     

一种快速的视频刚体运动目标检测算法

检测速度慢、准确度低是传统视频运动目标检测方法普遍存在的问题,为克服以上缺点,结合帧间差分和变分水平集方法提出一种新的运动目标检测算法。通过改进的帧差法快速初始化运动区域,并将其作为初始水平代入无需重新初始化的水平集演化方程进行演化,利用强度和光流信息控制水平集演化最终停止在目标边界处。实验结果表明,该算法具有检测速度快、准确性高的特点,是一种有效的视频刚体运动目标检测方法。     

基于运动目标检测的视频水印算法研究

深入研究视频序列的基本特性,并在此基础上提出一种改进的DCT(离散余弦变换)域的分块视频水印方案。提出的方案中,通过结合人类视觉感知系统和运动目标检测技术,从视频图像序列中实时地发现并提取运动目标,确定运动目标所在区域,选取视频图像中的运动区域和高细节纹理复杂度区域作为视频水印的嵌入区域,并在水印的嵌入的过程中,通过细分像素块来减少像素分类带来的分块效应。通过仿真实验结果显示,该算法具有较好的不可感知性和鲁棒性。     

基于动态背景更新的运动目标检测算法

该文介绍了几种目前较为流行的运动目标检测方法,详细阐述了这些方法的检测原理,然后指出这些方法的优势和不足,在此基础上提出了动态背景更新方法,给出了整个算法的实现流程,同时在细节上做了一些改进。实验结果表明,此运动检测方法在静止背景的情况下能够有效地检测运动目标。     

视频运动目标跟踪方法研究

视频运动目标跟踪属于计算机视频模块的重点研究内容,具备较大的应用前景。随着各种新技术融合到目标跟踪方法中,其跟踪准确性得到提升。受到目标形变、遮挡以及尺度变化影响,跟踪失败的问题也时有发生。为了改进视频运动目标跟踪方法,本文系统的阐述了当前视频运动目标跟踪方法的类型,从算法设计流程着手,给出关于视频运动目标跟踪方法的具体设计框架,对未来算法发展方向进行了展望。     

一种新的Meanshift快速运动目标鲁棒跟踪方法

针对传统Meanshift算法对快速运动目标跟踪不准和持久跟踪易丢失问题,提出一种新的Meanshift快速运动目标鲁棒跟踪方法。新方法结合Kalman滤波预测从帧差法检测的运动区域中挑选可信区域只进行一次Meanshift颜色相似检测,若相似值不满足条件则再从其他运动区域依次进行原Meanshift跟踪,找出最佳跟踪区域。新方法减少了原方法颜色匹配迭代次数,对目标持久跟踪丢失时也可以快速重新找回原目标进行跟踪。最后,跟踪实验结果也说明了新方法计算更快和跟踪上的鲁棒性。     

基于帧间差分的智能视频实时运动目标提取模式研究

针对实时视频静态背景中的运动物体跟踪问题,利用帧间差分法检测运动物体以达到跟踪物体的目的,研究结果表明,帧间差分法具有跟踪准确性高和数据计算量小等优点,可用于实时运动物体的检测与跟踪.     

基于背景和帧间差分法的运动目标提取

在自动人脸识别系统中,人体目标的检测是该系统识别人脸的前期关键步骤之一。为了能快速准确地检测出运动的人体目标,提出了背景差分法和帧间差分法相结合的运动目标提取检测方法。针对视频中的背景因镜头摆动或物体的移入/移出而有所变动,给出了几种提取背景的方法,比较各种方法后决定采用中值法快速地进行背景建模,随后采用自适应背景更新,结合两种差分法检测运动目标。通过实验验证了本文算法的有效性。     

UKF滤波器的强跟踪性研究

与EKF滤波器相比较，UKF滤波器和强跟踪滤波器各自具有不同的特点，在基于计算机视觉的运动人手跟踪系统中往往需要将这些不同的特点相结合，本文揭示了UKF滤波器与强跟踪滤波器之间的关系，研究表明，在线性系统中，UKF滤波器是强跟踪滤波器；在非线性系统中，在一定的条件下，UKF是强跟踪滤波器，本文给出了一个充分条件，最后给出了部分实验结果。     

基于混合粒子PHD滤波的多目标视频跟踪

针对可变数目多目标视频跟踪,粒子滤波不能持续维持目标的多模态分布问题,本文提出一种混合粒子概率假设密度(PHD)滤波的多目标视频跟踪算法.该算法首先用K-means算法对粒子进行空间分布聚类,给各粒子群附加身份标签,使各粒子群分别对应混合粒子滤波的各分量,采用相互独立的各分量粒子滤波跟踪各目标,这样提高了目标状态估计的准确性,也能有效维持各目标的多模态分布.实验结果表明,该算法能有效处理新目标出现、合并、分离等多目标跟踪问题.     

一种多运动目标检测、跟踪方法研究与实现

针对固定监控场景提出了一种运动目标检测与跟踪方案。在运动目标检测中,利用像素梯度及色度均值、方差分布建立并实时更新背景模型。在目标跟踪模块,引入卡尔曼滤波器预测目标参数,合并目标碎片,建立帧间目标匹配矩阵完成目标匹配。通过实际图像序列测试,算法能较好地实现运动目标跟踪,获得运动目标的轨迹,具有良好的实时性和适应环境变化的能力。     

卡尔曼粒子滤波的视频车辆跟踪算法研究

近年来,视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。本文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稳健性,提出一种基于卡尔曼粒子滤波的视频车辆跟踪算法,该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模,并将其应用于卡尔曼滤波更新中,通过采用Mean Shift算法将卡尔曼滤波器引用到粒子滤波器当中,对车辆的运行轨迹进行校正,实现了局部线性滤波,实现了在保持跟踪系统整体上的非线性、非高斯性的同时,兼顾其局部的线性高斯特性。实验结果表明,本文所提出的方法与传统粒子滤波方法相比,能够更准确地对车辆进行跟踪,同时保证了在复杂环境下性能的稳健性。     

基于视觉的增强现实运动跟踪算法

增强现实系统不仅具有虚拟现实的特点同时具有虚实结合的新特性，为实现虚拟物体与真实物体间的完善结合，必须实时地动态跟踪摄像与真实物体间的相对位置和方向，建立观测模,墼是而通过动态三维显示技术迅速地将虚拟物体添加到真实物体之上，然而目前大多数增强现实系统的注册对象均匀静物体，运动物体的注册跟踪尚很少有人涉足。该算法通过标志点的光流场估计真实环境中运动物体的运动参数，根据透视投影原理和刚体的运动特性确定摄像机与运动物体间的相对位置和方向，实现增强现实系统的运动目标跟踪注册。该算法构架简单、实时性强，易于实现，扩展了增强现实系统的应用范围。     

基于SAD与UKF-Mean Shift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。     

基于贡献模型的多机器人多目标观测方法?

如何在减少重叠观测现象的同时提高平均观测率是多机器人多目标观测的一个难题。文中提出基于贡献模型的多机器人多目标观测方法( C-CMOMMT),将机器人所观测的目标数记为贡献值,增加贡献值低的机器人所受的排斥力,扩大排斥力的作用距离,减小权重小的目标对贡献值高的机器人的吸引力,从而减少重叠观测现象。同时降低贡献值高的机器人所受到的排斥力,减轻排斥力的副作用,减少目标丢失现象,因此提高整体的平均观测率。为更系统地评价观测性能,建立由平均观测率、位置标准差和位置熵这3个因素构成的综合评价体系。仿真实验表明,相比A-CMOMMT和B-CMOMMT,C-CMOMMT可提高平均观测率,减少重叠观测现象,体现出较好的可行性和高效性。     

基于Camshift与Kalman的目标跟踪算法

针对目标跟踪复杂的难点,提出了一种比较实用的跟踪方法。采用基于颜色概率分布的Camshift算法进行目标跟踪的同时,引入卡尔曼滤波,并给出模型参数。在目标发生遮挡时,使用卡尔曼滤波对目标运动状态进行估计。实验表明,算法能够对目标进行持续、稳定的跟踪。     

改进的交互式多模型跟踪算法

针对传统交互式多模型算法实行正则滤波的单一化缺点,提出一种改进的跟踪算法。利用卡尔曼滤波匹配系统线性部分,粒子滤波匹配非线性部分,根据匹配深度判断目标遮挡程度,当目标被严重遮挡时,采用迭代的多级粒子滤波方法进行重采样,并结合卡尔曼滤波更新模型概率。实验结果表明,该算法实时性强,能提高模型滤波速度和目标状态的估计精度,缩短计算时间,解决跟踪过程中的遮挡问题。     

基于声学传感器的目标跟踪扩展算法

针对机动的目标跟踪,提出扩展的卡尔曼滤波器/多假设跟踪方法(EKF/MHT),该算法具有结构和计算简单,鲁棒性好的特点,同时研究了和声学传感器相联系的目标数量、位移量和探测分辨率对跟踪性能的影响,并通过仿真,充分说明了文中所提出的跟踪算法能够较好地弥补传统的Kalman滤波/MHT方法在跟踪机动目标时的不足。