一种改进的运动目标检测方法

为了克服传统背景差分法所存在的不足,提出了一种基于边缘特征和改进K-均值聚类相结合运动目标检测方法。运用改进的K-均值聚类方法建立背景模型,将其与前景图像相差后得到的二值化图像,通过前景边缘信息的鲁棒性来判别及去除存在的虚假目标。实验结果表明,该方法可以有效去除背景中突然有物体移入或移出引起的虚假运动目标,提高了运动目标检测的准确性。     

图像融合的运动目标检测算法研究

为了改进常用的运动目标检测算法易受噪声和光线变化的影响、易出空洞、阴影和假边缘等现象,提出一种基于连续五帧帧间差分与Surendra背景边缘差分相融合的运动目标检测算法。该方法先采用Surendra自适应背景提取算法建立运动区域模型,通过优化的Canny算子进行背景边缘检测差分运算,再与五帧差分法相融合,通过双向模板填充和后期处理获得完整、准确的运动目标区域并完成背景的实时更新。实验结果表明,该算法快速、准确,能满足实时性检测的要求。     

基于角点检测的实时目标跟踪方法

当目标区域与背景特征接近时,由于目标模型中包含了大量的背景信息,基于Mean Shift的经典跟踪算法易受到背景信息的干扰,造成目标定位偏差,甚至丢失目标。为此,提出了一种基于角点的实时目标跟踪方法。该方法利用SU-SAN角点检测算子提取目标区域中的角点,由于目标区域内角点具有较强的目标表征能力,当使用这些角点构建目标模型时,能够增强目标与背景区域之间的辨别力,所以能够削弱背景信息对目标定位的干扰。实验结果表明,提出的方法能够实现对目标的准确跟踪定位,与经典的Mean Shift跟踪算法相比,该方法能够达到更好的跟踪效果,有效地提高了目标跟踪的准确性和实时性。     

结合运动特征的目标跟踪方法

针对视频跟踪过程中出现的背景干扰、目标遮挡等问题,提出基于多特征融合的均值漂移算法和最小二乘法轨迹预测跟踪方法。为解决背景干扰问题,使用改进的混合高斯模型对背景实施建模,提取运动前景目标,采用提取出的运动信息结合颜色、纹理特征对目标进行描述,在跟踪过程中利用运动信息去除背景噪声的干扰,从而适应背景和目标的变化,得到目标位置,当遮挡发生时,根据目标遮挡前的先验信息预测最小二乘法的目标轨迹,有利于重新捕获目标。实验结果表明,与已有的跟踪方法相比,该方法在复杂背景和遮挡过程中对目标的定位更精确,鲁棒性更好。     

基于均值漂移聚类的运动目标检测

为了有效减少噪声对运动目标检测的影响,提出了一种利用均值漂移聚类实现运动目标检测的方法。首先运用Mean Shift算法分别对三帧连续图像进行平滑去噪处理,然后对图像进行边缘提取,最后通过三帧差分法对三帧图像进行差分,进而得到运动目标。实验结果表明,该方法可以有效地抑制噪声并提取出运动目标。     

基于OpenCV的运动目标检测与跟踪

基于OpenCV开源平台开发了一种多运动目标检测和跟踪的自动化智能方案.针对多个运动目标在复杂场景中的情况,无法根据背景差和帧间差的方法来确定目标是否首次出现,根据新目标期望出现的位置范围和轮廓面积大小采用筛选法来判断目标的性质.利用CAMShift跟踪算法提取每个目标的颜色特征信息,实现对多个运动目标的跟踪,最后将运动目标的轮廓和运动轨迹描述出来.实验结果表明,在目标颜色特征明显的情况下文中方法具有很好的鲁棒性和精确性.     

运动目标的检测与跟踪的研究

提出了一个基于TMS320C6201的DSP系统下的运动目标检测方法,主要应用于反坦克导弹系统.首先进行滤波,然后根据自适应梯度算法(边缘检测)计算出运动目标的位置,利用相关跟踪算法和记忆外推跟踪算法相结合实现复杂背景中运动目标的实时跟踪.给出运动目标检测和跟踪的实验结果.     

基于差分法的均值漂移单目标跟踪

研究了一种基于差分法原理的MS跟踪算法。当MS跟踪目标位置发生较大偏移时,通过使用差分法提取的目标形心位置对其进行修正。实验结果表明,该方法应用于运动目标的跟踪具有良好的跟踪效果。     

复杂背景下运动目标的实时跟踪

复杂背景下的实时目标跟踪是计算机视觉领域的热点问题。提出了一种融合均值平移和粒子滤波的方法。综合了二者的效率和可靠性等优点。实验结果表明,该融合算法在复杂背景下的跟踪具有较好的实时性和可靠性。     

利用检测特征空间的目标实时跟踪

针对被跟踪目标尺度小、特征颜色与场景颜色相似的问题,提出一种基于实时检测结果的视频目标跟踪算法,即首先对背景进行高斯建模,利用背景减除法和帧间差分算法对前景区域进行有效提取,然后在提取的前景区域内进行基于均值移动算法的目标跟踪。基于像素级别的背景减除与帧间差分算法虽然精确和灵敏的优点,但是鲁棒性不强;而基于块级别的均值移动算法虽然鲁棒性强,但是弱化了特征颜色的空间信息,本文对两种机制进行了有效融合。通过该策略,跟踪系统在目标快速运动、有场景相似颜色干扰等情况下具有很好的跟踪性能,算法的计算量小,能够满足实时性要求。通过多组对比实验可以看出,新算法具有很强的抑制背景干扰、提高均值移动跟踪算法鲁棒性的能力。     

一种改进的Mean Shift跟踪算法

本文主要针对经典的Mean Shift跟踪算法均匀剖分整个颜色空间造成许多空的直方图区间以及不能准确表达目标颜色分布的缺点, 提出了一种改进算法. 该改进算法首先对目标的颜色进行聚类分析, 根据聚类结果通过矩阵分解和正交变换自适应地剖分目标的颜色空间从而确定对应于每一聚类的子空间. 在此基础上定义了一种新的颜色模型, 该模型统计落入每一颜色子空间的像素的加权个数并用高斯分布建模每一个子空间的颜色分布, 并推导了一种相似性度量来比较目标和候选目标的颜色模型之间的相似程度. 最后基于该颜色模型提出了改进算法. 实验表明, 基于该颜色模型的改进算法比经典的Mean Shift算法具有更好的性能, 而跟踪时间与经典算法大致相同.     

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。     

干扰环境下运动目标跟踪的背景滤波

基于Mean Shift的目标跟踪算法,在目标发生明显尺度变化或存在背景干扰的情况下,跟踪就会失败。为此,针对跟踪过程中的背景干扰问题,提出根据目标运动状态进行背景滤波的目标跟踪算法。根据目标跟踪过程中产生的运动轨迹估计目标位移和速度,沿着目标可能的运动方向的反方向对候选区域进行背景滤波,滤波区域宽度根据目标位移大小确定。实验结果表明,改进后的算法对背景信息具有较好的鲁棒性,提高目标跟踪的可靠性。     

基于彩色视频图像的运动人体检测方法

在视频图像中进行运动人体检测是许多计算机视觉任务的基础而又关键的研究步骤.其目的在于将运动的人体从视频图像中检测出来,以便进行后续的的诸如智能监控中对人体进行跟踪及行为理解等工作.而彩色图像由于具有比灰度图像更多的视觉信息,受到了越来越多的重视.研究了一种直接在彩色环境中基于时空联合的运动人体检测算法,该算法将时域分割与空域分割相联合而得到具有精确边缘的运动人体,并且消除了运动人体的影子.时域分割采用一种基于RGB彩色图像的双阈值分割背景减除法.空域分割采用了基于RGB彩色空间的区域生长法.实验结果表明上述算法能够实时有效地从彩色图像序列中检测出运动人体,消除运动人体的影子,而且最终检测出来的运动人体是彩色的.     

运动目标检测算法的探讨

运动目标检测是实现目标跟踪、交通监控、行为分析等任务的基础。但由于运动目标的提取易受到背景、光线变化、阴影、运动速度等因素的影响而造成失败,所以如何更好的实现运动目标检测具有相当重要的意义。该文从运动目标检测的基本概念出发,探讨了运动目标检测的广泛用途、目前所面临的主要问题与困难、实现运动目标检测算法的基本分类,并结合近几年公开发表的一些算法与实现对当前主流运动目标检测实现方法的基本思想和最新进展进行了分类综述,讨论了各类方法的主要优缺点,并展望了该领域未来的发展趋势。     

一种基于直方图模式的运动目标实时跟踪算法

动态图像的分析和理解是当前研究的热点之一,基于视觉的目标跟踪技术有着广泛的实用价值。目标跟踪的难点在于完成帧与帧之间的快速且稳定的目标匹配。该文给出了一种运动目标的跟踪算法,它与云台设备控制相结合,可使被跟踪目标始终位于图像的中心区域。直方图具有较好稳定性,可以不受目标的外形和比例变化的影响;而均值平移(MeanShift)算法可以得到局部最优解,并具有快速和有效的特点。因此,该文以直方图为模式特征,以均值平移算法为跟踪核心算法。对候选目标进行运动检验,过滤了伪目标,保证了跟踪的可靠性。在搜索过程中,通过Kalman滤波器的运动预测,减少模式匹配的搜索范围,提高了处理速度。最后,该文给出了实地测试结果,验证了跟踪算法的实用性和有效性。     

一种基于码本的监控视频运动目标检测算法

针对监控系统获得的彩色视频序列,根据连续采样值的颜色相似度及其亮度范围,将背景像素值量化后用码本表示,利用减背景的思想对新输入的像素值与其对应位置的码本作比较判断,提取出前景运动目标像素。该算法计算复杂度小、占内存少,能够在存在前景运动的过程中提取背景,并能处理光照变化。     

基于SILTP纹理信息的运动目标检测算法

精确的运动目标检测是许多视频分析技术的前提。提出了一种基于背景减除的运动目标检测算法,该算法利用尺度不变三值模式(SILTP)进行纹理特征变换,并对视频序列的第一帧进行快速的背景模型初始化。对于背景模型的建立,直接采用SILTP纹理特征值,而不是计算其像素分布。最后结合像素的空间信息,采用随机替代的策略来更新背景模型。在wallflower测试集上的测试结果表明,与其他算法相比,该算法在满足实时性的基础上具有很好的检测效果,特别是在阴影的去除及光照的突变上有很好的鲁棒性。     

监控视频中多目标的检测与跟踪研究

通过对静态背景下多运动目标监控视频的研究,分析得到了视频图像序列中运动目标的特性,实现了背景预测目标检测法。在此基础上,实现了MeanShift目标跟踪算法,取得较为满意的跟踪结果,并给出了形心多目标跟踪方法的具体实现。通过实验证明该方法可同时实现对多个人体运动目标的实时跟踪,具有一定的理论和实用价值。     

基于色度偏差和亮度偏差的运动目标检测方法

论述了一种实时的前景一背景分割运动目标检测方法.用中值法获得背景模型;为避免规范化色彩的不确定性,背景图像像素点的亮度被比例缩放为当前帧对应像素点的亮度,在此基础上求出色度偏差,并基于当前帧和背景帧的颜色偏差和亮度偏差来检测目标;最后用数学形态学滤波及连通分量分析的方法进行去噪、区域连通等后处理.方法建立了科学的亮度与颜色的关系模型,充分利用了图像的灰度信息和色彩信息.实验表明,方法具有很好的检测效果.