基于改进高斯混合模型的实时运动目标检测与跟踪*

为提高运动目标检测与跟踪的可靠性,提出了一种基于改进高斯混合模型的实时运动目标检测与跟踪算法。该算法建立可自动调节分布数目的高斯混合背景模型,通过背景减除获取前景图像;利用目标相邻帧的连续性分割运动目标;在此基础上将传统的颜色直方图模型进行改进,提高目标颜色分布的可信度,进而根据目标的位置、大小和颜色构造运动目标全局匹配相似度函数,实时完成运动目标检测与跟踪。利用大量的监控视频数据进行验证,结果表明,与传统的检测跟踪算法相比,该算法减少了计算量,提高了复杂背景情况下运动目标检测与跟踪的可靠性。     

被动多传感器自适应曲线模型跟踪新算法

针对被动多传感器机动目标跟踪系统中,由于目标机动性能的不确定以及存在的非线性而导致系统模型与目标实际运动模式难以匹配的问题,提出一种新的自适应曲线模型跟踪算法．该算法通过建立新的方向角模型,设计一种自适应的转弯角速度估计方法,实时计算每个采样时刻目标的切向加速度,以获得与目标实际运动模式相匹配的运动模型,并与扩展卡尔曼滤波相结合,有效提高了被动多传感器下机动目标的跟踪精度．     

基于视频序列的目标检测与跟踪技术研究

针对计算机智能监控环境,文中提出一种改进的基于像素灰度出现概率最大值的背景建立方法,该方法克服了光照变化对背景重建的影响,使得背景建立的时间大大缩短。并采用一种新的自适应背景更新算法获得背景图像以进行目标检测,这种方法较好地克服了IIR法更新速度难以取值的缺点,使得更新速率可以达到自适应的效果;在目标跟踪阶段,使用基于卡尔曼滤波的方法对检测出的运动目标进行跟踪,由于卡尔曼预测可以大大减小特征匹配的搜索范围,因此提高了跟踪的实时性。实验结果表明,该文的算法能够快速有效地获得、更新背景,并且能够实时地对运动目标进行跟踪。     

彩色序列图像中实时运动目标跟踪方法

提出了一种彩色序列图像中的实时运动目标跟踪算法,该算法首先利用综合帧间差分法与背景差分法两种方法优点的动态背景更新算法来检测各种运动目标,在后续的图像序列中,利用运动检测算法来确定目标跟踪的起始点,并利用Mean Shift算法来跟踪运动物体;然后再更新Mean Shift的目标模板。实验结果表明,该算法能够克服Mean Shift算法对尺度变化的物体的跟踪效果较差且不能检测突然出现在图像序列中的物体的不足,快速准确地跟踪各种物体。     

桥区运动船舶的检测和跟踪

基于桥区的场景特点,提出一种基于自适应纹理特征的运动船舶目标检测跟踪算法。算法采用基于改进的局部二值模式（LBP）纹理特征取代亮度特征,在此基础上建立可实时更新的LBP背景,以背景模型方法提取船舶运动目标前景,并以简单的近邻方法实现对其跟踪。实验表明该方法通过目标检测与跟踪可实现对船舶运动的监控,算法准确性好,精度高,可为桥梁安全保护提供有效的技术支撑。     

水下声自导武器目标跟踪方法研究

水下声自导武器采用主动方式检测、跟踪目标时,目标跟踪过程表现为一个动基座时变过程,难以直接运用卡尔曼滤波进行目标跟踪。利用水下声自导武器导航定位及航行姿态参数和水下声自导武器检测到的目标信息,通过坐标变换将目标坐标从水下声自导武器坐标系变换到大地坐标系解决了观测基座运动的问题,通过每次观测时间实时计算每次观测的采样时间解决了观测时变问题,建立了基于自适应衰减记忆卡尔曼滤波的水下声自导武器目标跟踪模型,给出了滤波初值选取的工程方法,仿真实验证明该模型正确,跟踪算法能够在10次观测内实现对目标的跟踪,具有较强的机动目标跟踪能力,算法收敛速度较快。     

复杂运动情况下的多目标检测与追踪

针对多运动目标视频序列中目标存在过缓运动且相互间遮挡的问题,提出一种改进的混合高斯模型(Gaussian Mixture Model,GMM)进行目标检测并结合卡尔曼滤波进行跟踪的新算法;在运动背景检测中,采用三帧差法和混合高斯模型的融合算法进行目标提取,解决了过缓运动目标检测区域不完整的问题;在运动目标跟踪中,由于Kalman滤波器采用目标检测结果进行预测,对观测噪声矩阵进行自适应更新,使得跟踪的稳定性得到加强;通过对比,验证了新算法对存在过缓以及遮挡的不规律运动情况的多目标检测识别与跟踪的实时有效性与准确性。     

一种改进的卡尔曼目标实时检测与跟踪算法

对象跟踪已在视频监视、流量管理、视频索引、机器学习、人工智能等领域广泛使用,为快速、实时和准确对视频运动目标进行检测与跟踪,本文提出了卡尔曼滤波算法与粒子滤波器相结合的优化算法.该算法是在卡尔曼滤波算法框架下结合粒子滤波器,嵌入具有更高精度的运动目标跟踪方法用于估计和预测运动物体的位置,提升运动目标的检测与跟踪精度,并...     

MB-LBP特征提取和粒子滤波相结合的运动目标检测与跟踪算法研究

在复杂环境下,由于行人密度大以及运动随机性,导致运动目标(行人)难以检测和跟踪,造成人员计数误差。提出一种MB-LBP(Multi-scale Block Local Binary Pattern)特征提取和粒子滤波相结合的运动目标检测与跟踪算法来解决此问题。该算法首先用AdaBoost提取MB-LBP特征训练生成分类器进行人头检测,并根据人头目标尺寸变化范围去除部分误检,然后用改进的粒子滤波算法预测跟踪多个运动目标,最后对跟踪的运动目标进行计数。实验结果表明,提出的算法能够对复杂环境下多个运动目标进行有效检测及跟踪,准确、快速地对视频帧中的人员进行计数。     

基于激光传感器的移动机器人运动目标跟踪

针对室外环境下移动机器人基于激光传感器对运动目标的实时跟踪问题进行了研究。利用激光传感器检测运动目标,对均值滤波与中值滤波处理后的激光扫描点进行数据对比后,提出一种递推型中值均值混合滤波方法,用以减少激光扫描数据孤点并提高扫描返回值的准确性。设计了目标检测视窗提前剔除与被检测目标无关的障碍数据;设计利用激光扫描点在物体表面连续的特性,在检测视窗内完成对激光数据点的分类。提出以跟踪过程中机器人与目标之间的距离信息作为跟踪算法的评价标准,使用卡尔曼滤波跟踪算法和平滑接近图算法有效实现了机器人对运动目标的平稳自主跟踪。     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪。该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪。仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高。      

基于改进的高斯混合模型的运动目标检测

运动目标检测是实现目标跟踪、视频监控的基础.针对基于高斯混合模型的运动目标检测算法的不足,提出了一种基于分块思想和高斯模型个数自适应的改进高斯混合算法.利用对视频图像分块的思想,在提高目标检测效率的同时,实现对视频的滤波处理;并利用高斯混合模型中高斯分布个数自适应操作来降低算法复杂度,提高运动目标检测的速度.实验结果表明:该算法比传统高斯混合模型运动目标检测算法具有更快的检测速度和更好的检测效果,并降低了检测噪声,能有效地检测运动目标,适用于运动目标的实时检测.     

Region-growing detection of moving objects in video sequences based on optical flow

A region-growing algorithm for detecting moving objects in video sequences based on optical flow is suggested; it calculates the optical flow only for moving objects and does not consider stationary image regions. The algorithm has linear complexity depending on the value of the optical flow window, uses SSE2/SSE3 instructions for significant acceleration of the calculations, and can be used in the real-time mode in problems of detection and tracking of moving objects in video sequences with fragmentary filling of frames with moving objects.     

数字视频监控系统中实时运动检测系统的研究

在数字视频监控系统中,从视频流里捕获出序列图像并进行实时运动检测是一项重要的功能。采用两个进程分别实现视频图像的捕获和运动检测,命名管道作为两个进程之间数据通信的桥梁。提出了一种基于帧差交集快速视频分割法、阈值面积算法结合数学形态学运算提取运动目标区域的数字图像处理算法,然后再进行运动目标的跟踪定位,实现实时运动检测。     

一种有效的实时人群计数方法

对固定镜头下视频序列中运动人体的检测和跟踪方法进行研究,利用灰度图像差分双向投影信息检测人体目标,提出一种基于统计运动区域几何特征固定比例的分割算法,使用最近邻匹配方法对人体进行跟踪。完整地实现了一个有效的实时人群计数系统。大量室内和室外场景实验结果表明,该算法具有很好的实时性(每秒处理25帧~30帧且可并行处理4路视频)、对光照变化的鲁棒性以及对稀疏人群检测精度高等特点。     

isMHI结合CAMSHIFT的多目标跟踪

为实现对视频监控场景中多目标的实时跟踪,提出一种基于isMHI与CamShift 的持续跟踪方法。当进入到视频场景中的目标处于运动状态时,该方法基于isMHI对其进行跟踪。当场景中的某些目标转为静止状态时,则基于CamShift 对其进行监视锁定,并确定了两种跟踪状态的承接算法。实验数据表明,该方法通过优点互补克服了基于MHI方法以及基于CamShift 方法各自的缺陷,能够在保持较小错误率基础上实现对视频场景中多个目标的动态或静态状态下的持续、稳定、实时的跟踪,可用于安全保卫应用或交通应用中感兴趣目标的跟踪监控。     

OPTICS聚类与目标区域概率模型的多运动目标跟踪

目的 针对多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题,本文提出了一种基于OPTICS聚类与目标区域概率模型的方法。方法 首先引入了Harris-Sift特征点检测,完成相邻帧特征点匹配,提高了特征点跟踪精度和鲁棒性;再根据各运动目标与背景运动向量不同这一点,引入了改进后的OPTICS加注算法,在构建的光流图上聚类,从而准确的分离出背景,得到各运动目标的估计区域;对每个运动目标建立一个独立的目标区域概率模型(OPM),随着检测帧数的迭代更新,以得到运动目标的准确区域。结果 多运动目标在移动背景情况下跟踪性能下降和准确度不高的问题通过本文方法得到了很好地解决,Harris-Sift特征点提取、匹配时间仅为Sift特征的17%。在室外复杂环境下,本文方法的平均准确率比传统背景补偿方法高出14%,本文方法能从移动背景中准确分离出运动目标。结论 实验结果表明,该算法能满足实时要求,能够准确分离出运动目标区域和背景区域,且对相机运动、旋转,场景亮度变化等影响因素具有较强的鲁棒性。     

视频图像中运动目标的阴影消除法

针对在视频序列图像中运动目标的阴影造成运动目标的物理变形,影响运动目标的检测与跟踪;同时,由于目前常用的阴影检测算法,总是要先检测到阴影,再分割阴影,需两步才能达到消除阴影目的,难以达到实时检测要求。为此,提出了一种基于视频图像快速阴影消除方法。该方法通过分析阴影与背景的HSV彩色空间中的特性,利用阴影与运动目标在H,S,V三个分量中的不同特点,计算其相应的阈值,运用该阈值进行分割并消除阴影,能在视频序列图像中一次性检测到运动目标的同时就消除阴影。实验表明,在户外条件下,该算法是准确有效的。     

利用FPGA实现视频移动目标的有效检测

利用FPGA实现了一个视频移动目标检测系统,算法的基础是背景差分法。为了准确检测和定位移动目标,利用了灰度漂移算法和多颜色空间信息融合算法。灰度漂移算法是课题组最近在研究高斯混合模型的过程中提出的一种消除背景差分法检测的移动目标存在过多噪声杂点的算法,可以非常有效地消除由于微震动、空气扰动等原因导致的像素灰度在邻近区域发生漂移的现象;多颜色空间信息融合就是利用多个颜色空间中的一些互补分量共同确定移动目标。利用FPGA实现了上述两种算法,在移动目标的实时检测和跟踪中取得了很好的效果,对于丰富和增强监控系统功能有重要意义。