基于运动矢量空间编码的视频监控动态目标检测方法

针对当前视频监控动态目标检测过程中因忽略了目标位置的预估计而导致检测耗时较长、检测误差较大的问题,提出了基于运动矢量空间编码的视频监控动态目标检测方法。通过运动矢量空间编码方法进行背景建模,采用基于卡尔曼滤波器的CamShift目标跟踪算法检测目标,并对下一时刻目标的搜索范围和出现位置进行估计,通过CamShift结合估计结果搜索目标的真实位置,并对目标搜索范围、加速度和速度进行修正,完成视频监控动态目标的检测。实验结果表明,本文方法的视频监控动态目标检测效率高、检测结果准确率高,验证了本文方法具有较强应用性。     

基于WinCE的智能网络视频监控系统设计

针对市面上常见的只能实现视频监控的网络摄像机,文章提出了复杂环境下运动目标检测与跟踪的改进算法,并将其集成到摄像机中实现云台控制.在无人干涉时,系统自动分析并提取敏感信息,若检测到入侵目标,则实时向监控人员报警.该系统采用最新的Silverlight技术构建应用程序,实现了UI开发与设备开发的迭代,从而大大加快了设备的开发速度.     

基于图像矩信息的CamShift视觉跟踪方法

为了适应视觉跟踪过程中目标形态的变化,使用核密度估计对视频序列中的运动目标进行色彩分布建模,运用CamShift算法进行跟踪,并结合图像矩信息确定目标区域.采用全局更新策略对目标色彩分布模型进行实时更新,进一步提高了跟踪的准确性.实验结果表明,该方法对目标在平移、旋转、局部遮挡等不同运动条件下均可实现稳定的跟踪,克服了尺度变化对跟踪带来的影响,是一种鲁棒性较强的跟踪算法.     

基于运动估计的CamShift移动目标跟踪算法

在采用CamShift算法进行移动目标跟踪时,如果目标快速移动或者有遮挡物干扰时,仅利用移动的颜色信息对进行跟踪时容易导致跟踪失败。为了解决该问题,提出了移动目标运动估计和CamShift算法相结合的目标跟踪算法。通过结合削弱背景中含有的目标颜色直方图信息和进行移动目标的运动估计,从而在存在干扰目标或目标部分被遮挡的情况下,仍能实现有效跟踪。最后通过实验验证该算法的有效性。     

视频序列的多特征粒子滤波跟踪方法

提出了一种应用于视频序列的多特征粒子滤波（PF）跟踪算法,该方法在重采样后,对每一粒子应用CamShift算法,使所有粒子都趋于一个局部稳定的位置附近. 其中,权重中的似然函数根据颜色与边缘直方图分布的Bhattacharyya系数更新．该方法结合了CamShift计算量小的特点,使PF用较少的粒子能够对目标较准确的跟踪. 实验结果表明,该方法对遮挡具有一定的鲁棒性．     

基于多尺度背景差的视频前景检测算法

当前监控视频数据呈现海量增长,针对监控视频的前景目标提取已成为未来城市建设的重点研究方向.为了更加准确高效地检测视频前景目标,并且能同时适用于静态和动态背景的视频,提出了一种基于多尺度背景差的视频前景检测算法.该算法以背景差法为基础,加入了多尺度高斯金字塔影像进行改进,充分利用了多尺度图像的优点,在大尺度图像中能检测出更多目标细节,在小尺度图像中能更有效地检测出目标轮廓.运用MATLAB编程与两种常用的视频前景检测算法进行了比较和分析,并且利用Recall和Precision指标进行了精度评定.实验结果表明,这种方法检测精度较高,抗噪能力较强,不管在静态背景还是动态背景的视频中,都能取得很好的检测效果.     

智能视频监控系统在看守所中的应用研究

分析传统视频监控系统中存在的弊端。在详细研究智能视频监控系统特点的基础上,提出看守所智能视频监控系统设计方案,研究目标检测提取和跟踪技术等关键技术,对于将智能视频监控系统应用于看守所安防系统中进行了有益的探索。     

DirectShow框架下实时运动目标检测与跟踪方法的研究与应用

面向智能视频监控系统的应用背景，为找到一种便于实施和推广的智能视频监控系统模型，提出了一种在DirectShow框架下进行实时运动目标检测与跟踪的方法.首先针对室内监控场景的特点给出了一种实时性优先的运动目标检测与跟踪方法，然后结合DirectShow技术的特点对该方法进行封装和改进，在两者“相得益彰”的情况下设计并实现了具有实时运动检测功能的Filter组件，并在此基础上构建了一种“先检测后压缩传输”的智能视频监控系统，最后给出了系统的实际测试效果并验证了这种“DirectShow +运动检测”的设计方法在智能监控方面的优越性.     

基于CamShift算法的目标跟踪研究

针对传统的跟踪算法无法获取跟踪目标世界坐标值的问题,提出融合SIFT特征点匹配的CamShift目标跟踪算法。运用基于色彩的CamShift算法对目标进行跟踪的同时对跟踪搜索窗口进行SIFT特征点提取和匹配,以获取目标的部分特征点在左右成像平面上的二维坐标值,根据这些坐标值通过视差原理确定目标的空间位置。实验结果显示,该算法在室内简单的背景条件下,能很好地跟踪运动目标且跟踪误差在可接受的范围内。     

基于改进CamShift算法的纱管跟踪方法研究

为了提高对纱管的实时精准跟踪,将Camshift算法应用于纱管分拣喂纱跟踪领域.传统MeanShift算法需要手动选择初始跟踪窗口,纱管分拣喂纱过程中单一颜色特征的跟踪算法很难满足实时跟踪要求.针对此问题,在CamShift跟踪算法基础上加入颜色识别,有效降低了误跟踪现象;加入卡尔曼预测机制,解决自动框选初始跟踪窗口的问题.通过3组对比实验可知:改进后的算法使目标的质心坐标偏差大约维持在4个像素点,验证了改进方法的实时性和精准性.     

基于改进光流法的目标跟踪技术研究

针对传统光流法处理视频序列时存在运行效率低及跟踪偏移问题,结合粒子滤波模型提出一种改进光流法的视频目标跟踪技术. 该技术首先通过遍历法搜索运动点,采用质心定位方式捕获目标质心坐标,然后将得到的视频序列进行光流处理,最后经粒子滤波求解质心运动信息,以实现对视频中目标的精确检测与追踪. 在不同场景下对不同数量、不同类型目标进行仿真跟踪试验,并与光流法、ViBe算法及YOLO算法进行比较. 仿真结果表明,该跟踪技术可使目标跟踪的精准率有效提高5.2%,跟踪效率提高13.7%,同时表现出较好的鲁棒性.     

基于视频分析技术的校园智能监控系统设计

针对校园这一特殊环境,为了实现无人值守情况下的实时视频监控和智能分析,在VC6.0搭配OpenCV1.0的软件平台上设计出一套基于视频分析技术的校园监控系统。本系统采用了GMM前景检测、基于Meanshift算法的团块跟踪等多种实用性较强的视频分析技术,完成了对多目标的跟踪,并提出一种基于HSV色彩空间特征的阴影消除新方法,使得系统可以应用于较复杂的监控环境。所设计的系统实现了入侵检测、人数统计、人员聚集检测和徘徊检测等功能,并在实际校园环境中进行了实际测试,结果证明了其实用性和有效性。     

一种实用的运动目标检测和跟踪算法

为使智能视频监控系统在监控时不仅具有较高的准确率,同时也保证系统的实时性,设计并实现了一种实用的在摄像机静止条件下运动目标检测和跟踪算法。首先对采集到的视频图像进行预处理,为算法提供最佳的图像数据,然后用混合高斯背景建模方法实现前景/背景分割,用形态学操作提取前景目标,最后用基于空间距离的方法实现目标跟踪。算法应用到实验系统,实验表明,系统在保证实时性的同时,能够正确检测和跟踪监控场景中的运动目标。     

基于色彩特征的CAMSHIFT视频图像汽车流量检测

针对视频图像中目标车辆尾灯及背景色彩在HSV空间分布上的特点,提出了把车辆尾灯作为跟踪目标,恰当选取色彩特征参数,采用CAMSHIFT目标跟踪算法对汽车流量进行检测的技术方案.研究了基于HSV色彩空间的CAMSHIFT目标跟踪算法在视频图像汽车流量检测中的实现,并用实际拍摄的交通视频图像对该检测算法进行了验证.实验结果表明,本文算法具有较高的准确度,能够有效跟踪以各种速度行驶的车辆,可以较好地应用在汽车流量检测领域中.     

一种基于MACA的自适应跟踪算法

针对视频序列图像目标跟踪中经常因场景复杂、目标颜色多样以及目标发生旋转、遮挡和速率变化时丢失目标问题,提出了一种多模式自适应CamShift算法（MACA）.通过将Cam-Shift算法对H分量敏感的特性推广到S、V分量,构造了凸函数组合模型,利用多目标规划最优求解法获取自适应颜色识别最佳组合解,配合倾角识别和基于IIR滤波的目标运动状态信息预测跟踪技术,取得了理想的跟踪效果.将MACA算法应用于自适应实时跟踪系统进行验证性实验表明,该算法具有良好的实时性和鲁棒性.     

融合区域纹理梯度的船舶阴影视频去除算法

借助于监控视频实时提取内河船舶运行流量等参数的船舶检测系统得以广泛应用,而传统的视频检测方法往往难以有效区分船体边界,造成颜色、纹理相似的前景和阴影区域检测相混淆.为此,解析了HSV颜色特征和LBP纹理不变性检测阴影原理,改进SE-CT阴影去除算法,提出基于颜色和纹理梯度特征GA-HT梯度填充的船舶阴影去除算法.测试表明,GA-HT算法能很好地去除船舶阴影,提高船舶的目标识别的精度和实时性,阴影检测综合指标F达到92％.     

DirectShow框架下实时运动目标检测与跟踪方法的研究与应用

面向智能视频监控系统的应用背景，为找到一种便于实施和推广的智能视频监控系统模型，提出了一种在DirectShow框架下进行实时运动目标检测与跟踪的方法．首先针对室内监控场景的特点给出了一种实时性优先的运动目标检测与跟踪方法，然后结合DireetShow技术的特点对该方法进行封装和改进，在两者“相得益彰”的情况下设计并实现了具有实时运动检测功能的Filter组件，并在此基础上构建了一种“先检测后压缩传输”的智能视频监控系统，最后给出了系统的实际测试效果并验证了这种“DirectShow＋运动检测”的设计方法在智能监控方面的优越性．     

哈希编码和Kalman滤波的目标跟踪算法

针对现有的目标跟踪算法过于复杂、计算量大和遮挡无法跟踪等缺点,提出了基于哈希编码和Kalman滤波的目标跟踪改进算法.采用哈希算法对图像感兴趣的区域进行编码,将二维图像变为一维数字摘要,大大地减少了匹配运算量;采用Kalman滤波算法进行目标搜索,并预测目标在下一帧图像中的位置,再以预测位置为起点进行搜索,从而缩小了搜索范围,加快了跟踪速度.通过对多组视频中的目标进行跟踪实验,结果说明所提出的改进算法在背景复杂、目标快速运动、完全遮挡的环境下具有较强的抗干扰能力,跟踪效果较好,跟踪速率高达12帧/s.     

Kalman滤波在视频监控中的应用

卡尔曼滤波(Kalman)是一种根据时变随机信号的统计特性,对信号的未来值做出尽可能接近真值的一种估计方法.首先对卡尔曼滤波进行介绍,然后阐述了它在视频监控技术中的运动目标检测和运动目标跟踪两个方面的应用.     

基于统计模型和活动轮廓的运动目标检测与跟踪

提出了一种静止背景视频序列中运动目标的检测与跟踪方法.对连续两帧图像序列作差分计算,对差分图像的灰度分布建立混和高斯模型(GMM),采用期望最大化(EM)算法估计模型参数,并引入基于GMM模型的边界检测算子,进而构造运动边界图像.改进静态图像轮廓提取算法GVF-Snake,利用运动边界图像修改GVF-Snake的能量项,使其能够提取视频序列中运动目标的轮廓.采用一种根据目标区域自动初始化轮廓的方法解决Snake初始轮廓需要手工设定的问题,采用一阶差分预测算法加快轮廓收敛速度.利用改进的GVF-Snake算法对运动目标进行检测与跟踪,结果表明,该算法对刚性和非刚性两类目标都具有较好的检测与跟踪效果.