基于LK和FAST的时间序列图像快速配准算法

LK光流算法是一种精确高效的特征跟踪算法,能够较大幅度提高图像配准的精度和速度。针对时间序列图像的配准问题,基于LK光流算法,通过基于图像金字塔的方式跟踪改进后的FAST特征角点,采用一种鲁棒的单应矩阵估计算法解算配准参数,提出了一种基于LK光流和改进FAST特征的实时鲁棒配准算法。通过一组时间序列图像从配准精度和配准速度两个方面对所提出算法的性能进行了验证分析,平均重投影误差为0.16,平均处理速度为30 Hz。实验结果表明,该算法能够提取稳定的FAST角点,快速准确地跟踪匹配序列图像之间的特征,较好地解决时间序列图像的实时配准问题。     

鲁棒的实时多车辆检测与跟踪系统设计

场景中的运动阴影导致多目标粘连,车辆间的相互遮挡使得跟踪识别困难.本文针对这两个影响实时车辆检测与跟踪系统性能的主要因素,采用基于无偏卡尔曼滤波器(UKF)的方法为场景背景建模,提取出运动区域,再通过边缘特征检测出场景中的运动阴影,然后利用角点信息将目标与阴影分离;提出了一种基于运动预测框的目标跟踪算法,将它与基于车辆平行四边形轮廓的遮挡分割方法结合,构建了多车辆目标的实时跟踪系统,并用实验验证了它的实用性与鲁棒性.     

基于图像配准的潜在痕迹提取

介绍了依据图像配准技术在复杂背景中提取潜在痕迹的一种方法。图像配准是图像处理的一个重要的基础环节，传统的图像配准算法存在着各种不确定性及计算复杂性，而且特征点的选择困难且自动性差。而我们要实现从复杂的背景中提取潜在的痕迹必须要求图像要精确对准到亚像素级。针对传统算法中存在的问题，分别采用了一种从特征点提取、匹配到图像间点变换估计及光学变换估计的鲁棒算法。这些算法经过实验证实是鲁棒的且是实用的。     

一种基于特征点的快速跟踪算法

目标跟踪技术是视频检测技术中一个十分重要的组成部分,为此,提出一种基于特征点的快速跟踪算法。该方法避免了困难的目标分割过程。采用两次帧差共同确定角点选择区域,利用Moravec算法提取合适角点;采用一种特别设计的包含不平滑区域的结构化模板获取更好的匹配点;利用预测点缩小搜索范围,降低计算复杂度和时间复杂度。实验证明该算法能够快速实现目标的实时跟踪,跟踪准确度高,对不同的场景都具有良好的鲁棒性。     

一种新颖高效的红外动态场景多目标检测跟踪算法

为了实现在复杂背景条件下对动态视频红外多目标进行稳健的检测与跟踪,提出了一种新颖鲁棒的运动多目标的检测与跟踪算法。首先对相邻红外图像进行匹配校准,利用图像累积差异图检测出运动的目标。为了达到实时高效的检测效果,提出了网格采样策略,大大降低了特征点的匹配复杂度并解决了特征点非均匀集中的问题。同时采用强度滤波和形态学操作等算法提升了目标的显著性特性,滤除了虚假目标;由于红外热像仪视场的变化,目标的尺度将发生变化,在检测到目标的基础上提出了尺度计算与区域检测算法;最后采取了传统的卡尔曼滤波对检测到的目标进行跟踪。实验结果表明,本文算法能够准确地检测动态场景下运动目标,并在目标尺度变化时自适应的检测出目标的变化,同时稳定地跟踪目标。     

基于角点跟踪的数字稳像算法

在基于特征跟踪的数字稳像算法中,特征提取不稳定和特征匹配计算量大是目前存在的主要问题.针对这一问题,利用角点检测稳定性较好的Harris算子,在图像局部区域内提取角点,通过对比在当前图像中定义的角点距离与在参考图像中定义的窗口距离来确定角点间的对应关系,进而计算仿射模型的运动参数,最终进行运动补偿以达到输出稳定视频图像的目的.实验结果表明:该方法具有很好的稳定性和准确性,并有效地减少了算法的运行时间.因此,这种稳像算法适合于实际场景中的实时应用.     

基于SURF算法的微观驱替图像配准

针对快速鲁棒特征(SURF)算法对微观驱替图像进行配准存在的误匹配比例较高和由于提取的特征点过多导致时间偏长的问题,提出了一种改进的 SURF算法.利用了微观驱替模型的特点,提取出信息量相对比较丰富的边界,仅在边界和边界附近提取特征点.借鉴了 Hassion角点检测的方法,筛选出那些满足设定条件的稳定的特征点.实验证明,本文提出的方法在匹配正确率上得到了提高.同时,特征点匹配的耗时有所减少.     

基于Blob的车辆识别及其跟踪算法研究

智能交通系统是未来交通发展的必然趋势,乒丶际醯难芯烤哂猩钤兜囊庖?本文以在静态背景下动态地识别并跟踪汽车为目的,对摄像头采集的图像进行处理.如何准确地从复杂的交通图像中提取车辆,是进行车辆识别的基础.本文采用Surendra背景[1]算法提取路面的背景,通过背景差法提取路面上的车辆.图像分割后,对二值图像进行Blob[2]分析,识别并对车辆进行分析,获取车辆的特征信息,包括车辆本身的参数信息和位置信息.依赖这些车辆信息,通过Kalman滤波器实现对车辆的跟踪,进而获得车辆的动态信息,包括车辆的速度、运行轨迹信息.     

基于SURF的红外成像末制导目标跟踪算法

针对红外成像末导引阶段飞行器姿态调整及高速运动导致的目标尺度和姿态迅速变化的问题,提出了一种基于加速鲁棒特征(SURF)的红外成像目标跟踪算法。为了实现在末导引阶段对目标进行精确跟踪,采取了点跟踪的策略。首先根据跟踪点在上一帧的位置,在当前帧选取以相同位置为中心的图像子块并求其SURF特征,通过SURF特征匹配得到当前帧图像子块和模板的匹配点集,采用随机抽样一致性(RANSAC)算法剔除误匹配点对,进一步用最小二乘算法(LSA)精确地估计出对应的单应性矩阵;然后通过单应性矩阵把跟踪点映射到当前帧获取跟踪点在当前帧的位置,从而实现精确跟踪。试验结果表明,本文算法有较高的跟踪精度和较好的实时性。     

面向无人机影像的目标特征跟踪方法研究

提出了一种面向无人机视频影像的目标特征跟踪模型,首先根据目标检测结果在目标感兴趣区域中采用Shi-Tomasi算法进行角点检测,提取目标特征角点并在跟踪过程中对特征角点进行实时更新以保证角点数量满足跟踪条件,最后通过金字塔Lucas-Kanade算法对目标特征进行跟踪。实验结果表明,该模型鲁棒性强且易于实现,在获得良好跟踪效果的同时可满足实时处理要求。     

实时目标检测与跟踪系统的设计与实现

针对固定监控场景设计并实现了一个实时的运动目标检测与跟踪系统.在复杂背景下,改进的三帧差分法能准确、快速检测出运动目标.金字塔图像的Lucas Kanade光流法跟踪目标容易丢失;传统的模板匹配跟踪方法由于对图像利用率高,其跟踪比较准确,但计算量大.文章将两者结合起来,可以避免上述问题.实验表明,该算法能较好地实现目标跟踪、获得目标运动轨迹,且具有良好的实时性和鲁棒性.     

基于高斯模型的运动目标检测方法研究

提出了一种改进的基于单高斯背景模型运动目标的检测算法。该算法用四帧差分法确定运动目标区域,用单高斯模型对背景进行更新,然后通过(r,g,I)特征空间去除阴影,从而提取运动目标。实验结果表明,该算法能在变化的场景中对背景进行实时更新,能快速检测出运动目标,算法的运算量小。在室内环境和背景较为稳定的室外环境中都具有较好的应用价值。     

基于UPF-BP神经网络的视频跟踪研究

本文提出一种UPF粒子滤波与BP神经网络相结合方法用来跟踪运动背景下的视频多运动目标,该方法可以处理尺寸变换问题,从而可以鲁棒地跟踪目标。这种算法可以把最新的观测考虑进去,跟踪目标既可以是刚性目标,也可以是非刚性目标,并且跟踪算法可以实时实现。     

复杂背景下红外点目标的检测

在分析红外点目标、噪声及杂波模型的基础上,提出了基于二次滤波的复杂背景下红外点目标的检测算法,该算法由二阶滤波器组成。根据点目标的模型特点,通过选择合适的高通滤波器,可有效地增强信噪比、抑制噪声。实验结果表明该算法效果良好。     

基于视频处理的运动车辆检测算法的研究

车辆检测技术是现代智能运输系统的重要组成部分,现有的相关视频检测算法能够检测目标且对环境具有一定的适应性,但其在算法实时性、识别率等方面仍有待提高。提出了一种基于Fisher准则函数法的自适应阈值背景减法和对称差法相结合的运动车辆检测算法,该方法采用surendra算法提取背景,通过背景减法提取出目标前景,再将其与对称差法相结合得到准确的运动目标区域并实时地完成背景更新。实验表明该方法快速、准确,具有一定的实用价值。     

运动目标检测与跟踪算法的改进与实现

提出了一种对视频图像中运动目标检测并进行实时跟踪的新方法。该方法利用基于背景建模的背景差分与改进的带时间戳的运动历史图像(tMHI)的目标分割相结合的算法对运动目标进行检测,在获取到视频流中的运动目标轮廓后使用基于tMHI的运动梯度算法来实现运动目标的跟踪。实验结果表明,该方法能够对指定区域内的目标进行有效识别和准确跟踪,并且弥补了运动目标暂时性停止时无法检测出来的不足。     

基于混合高斯模型与三帧差分的目标检测算法

针对传统目标检测方法中光照变化、复杂背景、阴影等难点,提出了一种结合三帧差分法和混合高斯背景建模的算法,既能很好地适应场景中的光照渐变和背景扰动,又能克服普通帧差法中检测目标不准确,容易产生孔洞及双影现象的问题。同时,采用了一种简易的阴影抑制算法和形态学滤波处理,有效地去除了阴影以及噪声。实验结果表明,该算法易于实现,具有较好地实时性和鲁棒性,能精确地检测出运动目标。     

一种基于视频的道路行人检测方法

提出了一种基于交通视频的道路行人检测方法。首先,采用具有自适应背景更新的背景差法提取运动目标。其次,利用行人的轮廓特征和行人在图像上的像素高度与实际距离的线性变化关系特征进一步分割行人目标,并依据行人位置特征对其做多帧匹配跟踪。最后,结合行人速度特征,实现行人目标检测。实验结果表明,该方法能准确地检测交通场景中出现的行人目标,有效地解决运动车辆的遮挡和光照等对行人目标检测的影响,具有良好的实时性和稳健性。     

基于嵌入式车流量实时检测算法研究与实现

针对道路现场实时车流量检测问题,提出了一种改进的帧间差分法的运动车辆检测算法,并将该检测算法成功移植到了嵌入式系统上。将帧间差分法与采用长度、宽度、面积筛选轮廓及用质心距离的车辆跟踪算法结合,实现运动车辆的检测;将U-Boot引导程序、Linux内核、Yaffs2文件系统和检测算法移植到S3C6410上,通过摄像头实时采集交通视频,检测结果由触摸屏显示。复杂交通场景的实时测试结果表明,本系统的检测时间为0.298秒/帧,准确率超过88%,基本能够实现在道路现场的车流量实时检测。     

复杂地面场景下的红外运动目标跟踪

复杂地面场景下的红外目标易受背景影响并经常出现遮挡情况,难以简单地依靠亮度或梯度信息检测并跟踪目标。根据复杂背景下红外运动目标与背景的速度场差异,提出了利用光流对目标进行跟踪的算法。首先对图像进行配准,保证在随动跟踪时背景的相对静止;然后在目标的跟踪波门内计算改进的Horn-Schunck 光流;最后根据目标的光流特征,优化粒子滤波算法中粒子的转移概率,实现对目标的稳健跟踪。实验结果表明,该跟踪算法能对复杂地面场景下的红外运动目标持续跟踪,并不受目标被短时遮挡的影响。