基于SIFT特征的复杂环境下目标跟踪算法研究

为有效地解决复杂背景情况下运动物体有效跟踪问题,利用SIFT特征匹配算法的尺度不变、旋度不变的特性优越性,提出了一种优选的匹配方案.运动目标采用背景减除法分割提取,通过优化的SIFT算法快速地检测特征点,计算出其相应的坐标,并有选择性的更新相应特征点的坐标,然后重复提取运动目标,刷新背景区域,融合多特征信息,更准确地匹配图像中特征点.实验表明,本算法有效改善了光线变化,运动物体发生尺度变换等复杂环境下的目标跟踪效果,具有较强的鲁棒性.     

基于SIFT特征与预测的运动目标检测算法

为了在动态场景下对运动目标进行快速检测,提出一个改进的SIFT特征匹配的检测算法。首先采用SIFT方法提取匹配的特征点;然后为全局运动建立起旋转参数模型,并使用RANSAC方法排除外点的影响,运用最小二乘法求解全局运动参数;最后利用基于残差图像块的更新策略对特征点进行更新。该算法是基于预测的SIFT特征点匹配算法,不仅保持了SIFT方法的优越性能,而且提高了检测目标的速度。与块匹配算法的实验结果对比表明,该算法可以实时准确地检测出运动目标。     

运动序列中动目标检测的稳健性方法

提出一种运动序列中动目标检测的稳健性方法。用尺度不变特征变换(SIFT)算法生成特征描述符,基于最近邻距离比(NNDR)进行初始匹配,增加对称性约束以获得稳健的匹配点集。随机抽样一致集算法(RANSAC)用于分离背景和目标对应特征点,实现背景运动的稳健性估计。背景补偿后,相邻帧差分和数学形态学方法实现动目标的分割。真实运动序列的实验结果表明,该算法能够获得稳健的匹配点对,检测出运动目标。     

基于双向稀疏光流融合的小目标检测方法

针对动态背景下的小目标检测问题,提出了基于双向稀疏光流融合的目标检测方法.首先采用FAST方法提取当前帧图像中的角点,然后在连续的三帧图像中进行前、后向稀疏光流跟踪,确定正确匹配的特征点对,利用匹配的特征点对计算用于背景补偿的帧间运动参数,最后在背景补偿的基础上进行三帧差分,以检测出图像中的运动小目标.实验结果显示,本算法能够很好地解决背景和目标同时快速运动的问题,为运动目标的跟踪奠定基础.     

动态背景下基于帧间差分与模板匹配相结合的运动目标检测

基于图形处理器单元（GPU）提出了一种帧间差分与模板匹配相结合的运动目标检测算法。在CUDA—SIFT（于统一计算设备架构的尺度不变特征变换）算法提取图像匹配特征点的基础上,优化随机采样一致性算法（RANSAC）剔除图像中由于目标运动部分产生的误匹配点。运用背景补偿的方法将静态背景下的帧间差分目标检测算法应用于动态情况,实现了动态背景下的运动目标检测,通过提取目标特征与后续多帧图像进行特征匹配的方法最终实现自动目标检测。实验表明该方法对运动目标较小、有噪声、有部分遮挡的图像序列具有良好的目标检测效果。     

基于五帧差分和模板匹配的运动目标检测识别

针对帧差法和背景差分法检测运动目标准确率低,自适应能力弱等缺陷,提出了一种改进五帧差分法与背景差分法和模板匹配相结合的运动目标检测和识别算法;通过改进的五帧差分和背景差分法融合的算法从视频图像序列中检测出运动目标;利用形态学方法去除噪声,改善运动目标提取效果;在Harris算法提取图像匹配特征值的基础上角点配准,提高图像识别的准确率,通过提取目标特征与自适应模板图像进行特征匹配的方法实现了目标检测识别和跟踪。仿真结果和实验表明该方法有噪声和部分遮挡的运动目标有良好的检测识别效果,识别率达到了95%。     

基于SUKF与SIFT特征的红外目标跟踪算法研究

针对复杂红外背景下单一跟踪算法难以准确定位运动目标的问题,提出了基于尺度无迹卡尔曼滤波(SUKF,scale unscented Kalman filter)与尺度不变特征变换(SIFT,scale invariant featuretransform)相结合的红外运动目标跟踪方法。首先,通过SUKF算法对状态空间进行滤波估计,确定运动目标的初步位置,并以此建立局部SIFT特征检测域。其次,SIFT算法在该局部检测域内对运动目标进行特征提取与匹配,最终实现对目标的准确定位;同时,利用定位结果更新并校正SUKF的状态模型。实验结果表明,本文提出的基于SUKF-SIFT的跟踪策略与相关算法相比,体现出较好的跟踪效果与实时性能。     

基于PCA-SIFT特征的目标识别算法

针对尺度不变特征变换(SIFT)算法在匹配时特征向量过多,从而导致耗时过长的问题,提出PCA-SIF]算法,对目标进行匹配与识别.首先,利用SIFT算法提取出原图像中稳健的特征点以及特征向量;其次,利用PCA算法对SIFT特征向量的维数进行约减;最后利用降维后的图像与原始图像进行匹配.实验证明,与原始SIFT算法相比,该算法不仅保持了SIFT算法的鲁棒性和稳定性,同时提高了匹配效率,增强了实时性.     

遥感图像目标的定位算法

为了快速准确地完成遥感图像目标的定位,提出了一种可靠的目标定位算法:在基准图像确定和遥感图像预处理之后,对图像进行小波分解,在低分辨率图像中利用SIFT算法检测斑点特征和小波高频系数检测角点特征,并采用SIFT描述子描述特征;特征匹配时加入方向约束,分别匹配两种类型的点特征;对于特征匹配后得到的两个图像变换模型进行相似性判断,以此保证配准结果的可靠性,若是结果可靠则解算出遥感图像目标在基准图像中的位置。实验结果表明,本文的目标定位算法拥有良好的实时性、可靠性和可行性。     

一种基于ORB特征和运动一致性的图像校正算法

目前图像校正算法使用较多的是SIFT特征点和随机采样一致性(RANSAC)算法,但是在提取SIFT特征和用RANSAC算法剔除误匹配会消耗大量的时间,剔除误匹配后仍然存在少量错误。因此提出一种基于ORB特征和运动一致性算法实现图像校正。首先提取ORB特征,使用汉明距离进行初始匹配,然后采用运动一致性算法剔除错误匹配,再使用拓扑约束项对顽固误匹配进行剔除,最后利用RANSAC算法计算出变换矩阵H,从而完成图像的校正。实验结果表明,与SIFT算法相比,该算法不仅特征检测和匹配速度较快,计算资源消耗较少,且具有很好的鲁棒性。     

Moving foreground object detection via robust SIFT trajectories

In this paper, we present an automatic foreground object detection method for videos captured by freely moving cameras. While we focus on extracting a single foreground object of interest throughout a video sequence, our approach does not require any training data nor the interaction by the users. Based on the SIFT correspondence across video frames, we construct robust SIFT trajectories in terms of the calculated foreground feature point probability. Our foreground feature point probability is able to determine candidate foreground feature points in each frame, without the need of user interaction such as parameter or threshold tuning. Furthermore, we propose a probabilistic consensus foreground object template (CFOT), which is directly applied to the input video for moving object detection via template matching. Our CFOT can be used to detect the foreground object in videos captured by a fast moving camera, even if the contrast between the foreground and background regions is low. Moreover, our proposed method can be generalized to foreground object detection in dynamic backgrounds, and is robust to viewpoint changes across video frames. The contribution of this paper is trifold: (1) we provide a robust decision process to detect the foreground object of interest in videos with contrast and viewpoint variations; (2) our proposed method builds longer SIFT trajectories, and this is shown to be robust and effective for object detection tasks; and (3) the construction of our CFOT is not sensitive to the initial estimation of the foreground region of interest, while its use can achieve excellent foreground object detection results on real-world video data.     

视频监控系统中一种运动目标的检测方法

提出了一种基于改进的背景差分法的运动目标检测和识别的方法,该算法用于视频监控系统中运动目标检测和报警。双阈值法和动态阈值法有效地检测出图像中的运动目标。Matlab 7.0中对算法进行了仿真,实验表明,该方法有效去除了运动目标阴影及背景噪声,可准确地检测出运动目标。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于OpenCV的动态背景下的运动目标检测

研究在动态背景下对视频图像序列进行运动目标的检测。主要包括三个步骤,分别是运动估计,运动补偿和目标检测。在运动估计中采用的主要是基于特征点匹配算法。这种算法与传统的块匹配算法最大的好处在于它的数据量少,计算简单迅速而且图像的匹配可靠性更高。最后用计算机视觉库OpenCV进行实现。     

部分遮挡目标的稳健局部特征点提取方法

部分遮挡目标的特征提取是目标检测中的难点问题。针对这一问题,提出一种基于稳健性度量统计分析的部分遮挡目标稳健局部特征点提取方法,该方法建立在目标图像训练集的局部特征点逐步提纯基础上。它首先对目标在不同条件下获取的图像集分别应用SIFT提取相应局部特征点;然后基于统计分析对局部特征点进行粗提取,再通过计算置信度进一步筛选出较稳健的局部特征点;最后分析局部特征点的空间分布等因素提取出最稳健的局部特征点集。实验结果表明,该方法耗时仅为SIFT检测算法的30%,并且保证了检测精度。     

基于特征点的多运动目标跟踪

该文针对智能监控的需求,提出基于特征的多运动目标跟踪算法。通过自适应Marr小波核函数背景建模算法,在冗余离散小波域进行多运动目标识别。运动跟踪采用SIFT特征粒子滤波算法,并采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低了运算的复杂度。实际测试表明,该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性,在智能监控领域具有较广泛的应用前景。     

基于区域特征的视频序列人脸快速检测

提出了一种基于区域特征的快速人脸检测算法.采用瞬时差分和背景差分获取并跟踪运动目标.消除了运动目标引起的背景模型更新误差.在检测到的运动目标区域内.通过基于区域特征的马赛克三分图模型检测人脸区域,并利用频率直方图方法合并所检测区域,最终获得人脸位置.实验结果表明,平均检测时间为30ms/帧,检测准确率可达95.7%,算法复杂度低、检测效果好,适合各类视频图像的人脸实时检测.