卡尔曼滤波在跟踪运动目标中的应用及仿真

在智能监控系统中,通过帧差法对运动物体的识别、定位,利用卡尔曼滤波算法对目标运动进行预测、跟踪,从而控制摄像头转动,跟踪目标物,使目标物体始终出现监控画面的中心.在此采用卡尔曼滤算法,进行目标运动的预估,利用Matlab对其仿真.仿真结果显示跟踪效果非常好,证明采用该算法来跟踪动目标物有效可行,具有一定的研究价值.     

智能视频监控中目标跟踪的研究与实现

目标跟踪是智能监控领域的关键技术,本文主要是研究实现这一关键技术。提出一种融合运动目标的面积和矩特征进行匹配的算法,并结合运动估计算法对下一时刻目标最可能存在的方位进行预测,实现了对运动目标的跟踪。实验表明该算法能够准确跟踪运动目标,在一定程度上满足了实时性的要求。     

运动目标跟踪算法综述

随着视频监控技术的不断发展和视频监控系统的广泛应用,目标跟踪是近年来一个重要的研究课题,目标跟踪技术是监控系统中最重要、应用范围最广的技术之一,目标跟踪技术的实现依托于目标跟踪算法。运动目标跟踪算法具有广泛的研究价值和挑战性。本文对当前主流的运动目标跟踪算法:Kalman滤波算法、Mean Shift算法、粒子滤波算法等进行了研究,归纳总结了每种跟踪算法的优缺点、适用性和局限性,通过对跟踪算法的分析对运动目标跟踪技术的发展趋势进行了展望。     

运动目标检测方法综述

运动目标检测是机器视觉领域中的一个非常重要的研究课题,它为运动目标识别、运动跟踪等复杂的处理过程奠定了基础。运动目标检测的任务是识别特定区域内目标的物理运动。近年来,运动目标检测技术已经被应用到视频监控、人体运动分析、机器人导航、智能交通系统等领域,越来越受到人们的重视。文中将传统的运动目标检测算法做了简要的分类,并且总结了近年来该领域的最新研究成果,指出了这些方法的优势和局限性。     

基于Opencv的运动目标的检测和跟踪

检测运动物体需要无运动物体的背景图像,所以,首先应用多帧像素平均值法提取了运动视频序列的背景图,从背景图像中分离目标像素,获取目标的质心坐标,并应用质心跟踪法以灰色图像序列为基础,对运动的目标进行实时检测和跟踪。质心跟踪法的目标位置通过质点的中心来确定,该算法计算简单,计算量小,其稳定性与精度主要取决于序列图像的分割及其阀值的确定情况。文中给出了用Opencv实现算法的具体过程和关键代码,并且设计了跟踪运动车辆的控制界面,方便了实时监控。实验结果表明,该方法可以实现视频序列中运动目标的识别,具有实时性、并能给出较好的识别效果。     

智能视频监控系统中多摄像头协同跟踪算法研究

为了提高智能视频监控系统中运动目标跟踪的准确率和有效性,本文利用数据融合和协同跟踪技术,实现了多摄像头协同跟踪系统中运动目标的有效跟踪。首先,利用单摄像头独自跟踪得到目标图像,然后利用平面单应性和极线几何约束结合实现多摄像头视图间的目标匹配和协同跟踪,最后得到精确的目标跟踪结果。通过在MATLAB上实验仿真,并与单摄像头目标跟踪进行对比,得出该算法具有较好的跟踪效果以及抗遮挡性能,可广泛应用于智能视频监控系统中。     

一种基于CCH的运动目标快速检测算法

运动目标的检测是智能监控系统和视频理解标注中的一个底层处理环节,这一环节的性能直接影响到中高层目标本体特征和运动特征的提取、日标分类、目标跟踪以及目标异常行为的分析.针对一些监控场景下常用算法速度较慢、对阴影过于敏感等缺陷,提出一种新的区域内容对比度直方图来描述小区域的特征,并利用该特征建立混合直方图背景模型,再通过减...     

基于OpenCV的智能视频监控系统设计与实现

智能视频监控在安全监控、智能交通、军事导航等领域有着广泛的应用前景,运动目标检测与跟踪是实现视频智能分析的关键技术。本文在分析运动检测与跟踪技术的基础上,设计了一个智能视频监控系统,并利用开源计算机视觉库OpenCV实现了该系统智能分析的各个功能模块。运行结果表明,该系统具有较好的稳定性、准确性,基本满足了智能视频监控系统实时性、鲁棒性的要求。     

脉冲神经网络在运动目标检测中的应用

近几年,在智能监控系统中,广泛应用了基于生物视觉原理的运动目标检测与跟踪计算模型。这里提出一种基于神经轴突延迟机制,利用脉冲神经元网络模型对运动目标进行检测与跟踪的算法,该神经网络模型是利用轴突延迟脉冲神经网络模拟人类的视觉特性,从而提取运动目标,并具体分析脉冲神经元网络算法的实际意义。实验结果表明,该算法能够动态并行地进行运动目标提取,可通过硬件实现而应用于监控系统中。     

基于GMM与KLT算法的运动目标检测与跟踪方法

在视频监控方面,存在着运动目标的各种行为,针对这种情况,提出一种基于GMM与KLT算法的运动目标检测与跟踪方法.首先用基于GMM的背景减除法对运动目标进行检测,再通过形态学处理得到目标区域,然后对运动目标进行KLT特征点跟踪,最后根据特征点画出运动目标的运动轨迹.实验证明该算法有良好的检测结果与跟踪效果.     

小波分析在多传感器多目标跟踪的航迹相关算法中的应用

在多传感器多目标融合跟踪系统中,航迹关联是对目标进行连续跟踪最重要的关键技术。在融合中心,对多传感器获得的目标航迹数据进行航迹关联处理,判断哪些航迹数据源于同一个目标。利用小波分析的方法提取航迹信号的趋势项信息,再结合传统的航迹关联处理方法对这些趋势信号进行关联判决。仿真实验表明这种方法是可行的。     

认知无线电中基于高斯混合概率假设密度滤波的主用户跟踪算法

基于随机集的高斯混合概率假设密度滤波算法是一种典型的多目标跟踪算法,可以在目标数目未知的情况下进行多目标跟踪,但是该算法要求已知目标的起始位置,在很多情况下,目标的起始位置信息是无法获得的。本文针对这一问题,提出了改进的高斯混合概率假设密度滤波算法,并将本文算法应用于认知无线电系统的主用户跟踪问题。该算法利用双向预测的方式对检测结果进行估计,即使用正向预测算法来估计现存主用户的位置,然后采用后向预测算法来搜索新生的主用户并估计出新生主用户的位置。本文算法的主要优点是在主用户的数目、出现的时间和起始位置均未知的情况下仍可以有效的跟踪目标。最后,通过仿真对本文算法的性能进行了分析。仿真结果表明,本文算法在误检率较高的情况下可以准确地跟踪主用户。      

基于LGJMS-GMPHDF的多机动目标联合检测、跟踪与分类算法

线性高斯跳变马尔可夫系统模型下的高斯混合概率假设密度滤波器(LGJMS-GMPHDF)为杂波背景下多机动目标跟踪提供了一种有效方法。该文将类别辅助信息引入LGJMS-GMPHDF,提出了一种密集杂波背景下多机动目标联合检测、跟踪与分类算法。该算法在LGJMS-GMPHDF中用属性向量扩展单目标状态向量,用位置和属性的组合测量似然函数代替单目标位置及杂波位置测量似然函数,提高了不同类目标与杂波测量间的鉴别能力,进而改善了目标数目及状态的估计精度;在更新目标状态的同时,对目标属性信息进行更新。该算法实现了时变数目的目标状态和类别估计。杂波背景下交叉和临近并行机动目标的跟踪实验验证了该文算法的联合检测、跟踪与分类性能。     

采用Kalman_BP神经网络的视频序列多目标检测与跟踪

针对在复杂环境下多目标检测与跟踪实时性差和准确率低的问题,提出了一种基于神经网络修正均方误差估计的卡尔曼滤波跟踪方法,实现视频序列的多目标跟踪。在该方法中,首先通过帧间差分法准确提取出背景,并结合背景消减法实现多目标的检测,应用形态学滤波对检测结果进行优化;然后利用Kalman_BP神经网络预测滤波器对运动目标的位置进行预测。BP神经网络的引入,主要是降低由于模型变化以及噪声等引起的Kalman滤波器的估计误差,使Kalman滤波器的预测结果更加精准;最后,通过对不同的目标贴上标签,实现目标快速匹配,根据相邻帧间同一目标形心位置以及外接矩形的一致性,建立目标链,实现多目标跟踪。实验结果表明,该算法不仅能够快速稳定地对不同场景中的目标进行跟踪,而且能够统计目标数目和显示目标的运动轨迹,与粒子滤波等方法相比跟踪更加平稳,提高了跟踪的可靠性。     

目标数未知时基于粒子滤波的多目标TBD方法

针对现有粒子滤波微弱多目标检测前跟踪（TBD）算法要求目标数目或者目标最大数目已知,且无法对邻近微弱目标有效检测的不足,提出了一种基于粒子滤波和目标相继消除（PF-STC）的多目标TBD算法。该算法通过将多目标状态的联合搜索过程简化为多个独立的单目标检测过程,实现数目未知的多目标跟踪和检测。与现有粒子滤波多目标TBD算法相比,新算法克服了现有方法在较弱目标接近较强目标时出现的检测困难,并降低了算法复杂度,能对数目未知的微弱多目标进行有效检测。      

基于颜色和边缘直方图的多目标跟踪

为了解决基于颜色直方图的多目标跟踪方法对复杂场景适应能力差,容易丢失目标的问题,文中提出一种将颜色直方图与边缘方向直方图相结合的多目标跟踪方法。该方法首先采用一种分块连通域标记方法进行多目标提取,并获得目标的颜色、边缘特征;然后融合目标颜色与边缘两种特征来描述目标的外观模型;最后对跟踪过程中的目标模板进行更新。实验结果表明,该方法对于目标在尺度、光照、姿态发生变化以及目标发生旋转情况下能够实现目标的稳定跟踪,具有很强的鲁棒性。实验中对3组挑战性的视频序列进行了测试,目标数目选定为2个,目标窗口大小为64 pixels× 64 pixels的情况下,本文方法跟踪速度最高可达20 fps,基本上可以满足实时性的跟踪需求。     

基于模糊空时线索的多目标在线跟踪算法

多目标在线跟踪是视频监控中的关键问题之一.针对日益增长的智能化视频监控的需求,提出了一种基于模糊空时线索的多目标在线跟踪算法.在该算法中,引入模糊空时多属性特征定义距离函数,利用模糊C均值聚类优化得到交叉隶属度矩阵,实现目标与观测间的数据关联.为了减少错误的轨迹起始,利用空时线索定义了遮挡度函数,判别出新目标并起始相应的目标轨迹.实验结果表明,本文算法能够准确地估计出目标的运动轨迹.本文算法可应用于视频监控、安防以及自动驾驶等领域.     

基于灰关联无源多目标跟踪系统航迹关联算法

目前分布式无源多目标跟踪系统的航迹关联算法基本上照搬多传感器数据融合的理论,仅利用目标的状态信息.文中利用了目标的多特征信息(载频、脉宽、脉冲重复间隔等),应用灰关联理论,提出了一种基于灰关联的分布式无源多目标跟踪系统的航迹关联算法.由于利用了目标多特征信息,算法具有关联速度快、正确率高、而且能够适应密集目标环境的优点.仿真实验证明该算法的航迹关联效果明显优于加权航迹关联算法.     

基于高斯粒子JPDA滤波的多目标跟踪算法

在多目标跟踪中,由于观测的不确定性带来数据关联问题,并且,多目标状态空间尺寸的增长带来了维数增大问题,该文提出了一种新的高斯粒子联合概率数据关联滤波算法(GP-JPDAF),在JPDA框架中引入高斯粒子滤波(GPF)的思想,通过高斯粒子而不是高斯量,来近似目标与观测的边缘关联概率,利用GPF计算目标状态的预测及更新分布。将其应用于被动多传感器多目标跟踪,仿真结果表明该算法比MC-JPDAF具有更好的跟踪性能。     

利用信号幅度信息的多基地雷达系统多目标跟踪算法

本文基于T-R^N多基地雷达系统提出一种具有航迹质量管理的多目标跟踪算法,并且在航迹质量管理算法中引入信号幅度信息,接着从航迹起始时刻正确判决的概率和判决平均样本长度两方面定量分析信号幅度信息对航迹真假判决的改善程度,仿真结果表明,该算法能够对多目标进行稳定的跟踪.