视频监控中多运动目标的检测与跟踪

在基于递归方法的二值图像连通区域像素标记算法基础上,融合图像预处理技术,并对预处理后的图像进行改进,同时根据运动目标的几何特征,在实时监控视频图像中更好地定位运动目标,从而实现多运动目标的检测与跟踪。实验结果表明该方法可靠高效,也可以满足实时视频监控系统的需要。     

复杂背景中一种特定运动目标检测与跟踪方法

针对复杂环境对运动目标检测与跟踪产生的不利影响,提出一种自适应运动能量阈值结合精简彩色SIFT描述子的特定运动目标检测与跟踪方法。运用自适应运动能量阈值方法自动滤除复杂环境干扰以完成运动目标检测,由此形成目标匹配搜索域,并给出经主成份分析及精简后的彩色SIFT描述子( PCA-CSIFT )进行目标匹配,从而实现特定运动目标的连续跟踪。实验结果表明,在复杂环境下,运动目标检测方法对目标总量变化不敏感,错误率始终稳定在6.5%~34%之间。 PCA-CSIFT算法在保持高可区分性的同时错误匹配率为25.33%~28%,平均每帧处理时间不超过0.26 s,具有较好的鲁棒性与实时性。     

固定场景下多目标运动检测与跟踪

提出了一种多目标运动检测与跟踪方法,先提出一种从有运动目标存在的视频序列中鲁棒获取背景帧的方法,随后根据当前帧和背景帧的亮度偏差及色度偏差值将图像二值化,并进行预处理,然后提出结合全局背景周期更新和局部背景更新的方法来提高检测效果.再通过卡尔曼滤波对多目标进行跟踪,利用颜色直方图和形状模型进行识别.实验结果表明,该方法具有较好的处理效果,满足实时系统的要求.     

融合时空上下文的复杂背景下多运动目标检测

针对目标进、出视场和被部分遮挡情况下检测率低的问题,提出一种联合时空上下文的多运动目标检测算法STC-MMTD。首先,利用时间上下文信息,基于前后向运动历史图提取候选目标区域;然后,利用空间上下文信息和目标表观信息,通过基于稀疏编码的CRF模型计算目标置信度图;最后,计算候选目标区域的目标置信度,检测出多运动目标。实验结果表明,所提算法具有良好的检测性能,在保证较高定位精度的同时,查全率、查准率和F测度均高于其他多目标检测算法的。     

目标监控的实时检测与跟踪

本文系统地研究了视频监控系统中多目标多特征实时检测及其实现技术。通过在视频带中完整记录可疑目标的行为,为此类事件定义一套标准。本系统能够自动的从视频序列中提取可疑人物或事件的若干初级特征,而这些特征的有机融合包含足够的信息,可以决定是否发生了非常事件。     

交通监控系统中运动目标的检测与跟踪

提出交通监控系统中应用视频图像流来精确检测、提取运动目标，并对目标进行分类、跟踪。自动判别机动车辆是否遵守的交通规则，对违规车辆作全程记录。     

监控视频运动目标检测减背景技术的研究现状和展望

在很多计算机视觉应用中，一个基础而关键的任务是从视频序列中确定运动目标，其中对于固定摄像机的监控视频运动目标的检测，最常用的方法是减背景技术。其思想是将视频帧与一个背景模型做比较，其中区别较大的像素区域被认为是运动目标。但由于构建背景模型需要考虑光照变化等很多因素，因此开发一个好的减背景算法面临很多挑战。为了使人们对该技术有个初步了解，该文首先对利用减背景技术实现运动目标检测的过程、目前各种典型背景建模算法的原理和优缺点做了较为详细的阐述和归纳，然后总结了各种减背景算法的总体特点，并结合实验和文献资料对部分算法进行了对比评价，最后指出了减背景技术的未来研究重点和发展方向。     

运动目标检测与跟踪算法的研究进展

运动目标检测与跟踪技术有着广泛的应用,但由于检测和跟踪过程容易受外界环境的干扰而造成失败,因此改进运动目标检测和跟踪算法具有重要意义。本文分类介绍了运动目标检测与跟踪算法的研究现状以及常用算法,比较了各种算法的优缺点,阐述了该课题许多尚未完全解决的问题,并对该领域未来的发展趋势进行展望。     

交通监控系统中运动目标的检测与跟踪

提出交通监控系统中应用视频图像流来精确检测、提取运动目标,并对目标进行分类、跟踪。自动判别机动车辆是否遵守的交通规则,对违规车辆作全程记录。     

背景估计与运动目标检测跟踪

基于视频的自动目标检测和跟踪是计算机视觉中一个重要的研究领域,特别是基于视频的智能车辆监控系统中的运动车辆的检测和跟踪。提出一种自适应的背景估计方法来实时获得当前背景图像,从而分割出运动物体。为了准确地定位运动车辆的区域,采用差分图像投影和边缘投影相结合的方法来定位车体,同时利用双向加权联合图匹配方法对运动车辆区域进行跟踪,即将对运动车辆区域跟踪问题转化为搜索具有最大权的联合图的问题。该算法不仅能实时地定位和跟踪直道上运动的车辆,同时也能实时地定位和跟踪弯道上运动的车辆,从实验结果看,提出的背景更新算法简单,并且运动车辆区域的定位具有很好的鲁棒性,从统计的检测率和运行时间来看,该算法具有很好的检测效果,同时也能满足基于视频的智能交通监控系统的需要。     

基于改进的混合高斯模型的运动目标检测

提出了一种改进的混合高斯背景模型方法,克服了传统混合高斯背景建模方法计算时间长的缺点。通过对视频图像中运动目标区域进行背景建模,减小了每一帧的背景建模区域,同时在提取运动目标区域前先对初提取的前景目标进行中值滤波,减小运动目标区域的范围,进一步压缩了背景建模的时间。最后通过与时间平均背景建模和传统混合高斯背景建模方法进行比较,验证了本文算法的高效性。     

复杂背景下运动点目标的检测和跟踪

为了解决复杂背景下运动点目标的检测和跟踪问题,本文提出了一种基于图像差分和聚类的运动目标检测和跟踪算法.该算法首先根据图像配准的方法,对序列图像进行差分运算,提取出候选的运动目标.在此基础上,利用运动目标在空间和时间上的相关性以及运动目标的轨迹所具有的连续性,采用一种特殊的聚类方法,从噪声环境中正确检测出运动目标的轨迹,并实现对运动目标的跟踪.实验表明该算法能快速检测出复杂背景下的运动点目标,并能有效处理轨迹相交和检测过程中出现新目标的情况.     

运动摄像机下多目标检测与跟踪

针对摄像机运动情况下多目标的检测与跟踪问题,提出一种将Global K均值与模板匹配相结合的方法.利用六参数仿射模型得到摄像机运动参数,对图像进行全局运动补偿,用GlobalK均值算法对前景点进行循环聚类,判断目标数目并进行跟踪,通过对目标区域进行模板匹配使跟踪结果更准确.实验结果表明,该方法能够在运动摄像机下稳定、实时地跟踪多个目标,对发生形变的目标基本也能稳定跟踪.     

人体运动目标的检测与跟踪

提出了一种静止背景的情况下人体运动目标的检测与跟踪的新方法.该方法利用背景差分法与粒子滤波器算法相结合.首先,利用背景差分法可检测运算出人体运动区域的大小和形心,在一定的时间间隔t(t＜＜1s)后,再次利用背景差分法经运算可得到人体运动的速度,然后运用粒子滤波器算法利用背景差分所获得的人体运动区域的大小、形心、速度三个参数建立跟踪模型.实验结果证明,该方法对人体目标跟踪是快速且有效的,并且有很好的鲁棒性.     

基于背景模型的运动目标检测与跟踪

运动目标检测与跟踪是判断视频序列中是否存在运动目标及监控运动目标时空变化和运动轨迹.基于背景模型的运动目标检测与跟踪是有效的手段,设定阈值对当前帧图像与已有背景图像相减的差分图像进行检测跟踪操作.检测准确且速度快,阈值操作后直接给出运动目标的位置、大小、形状等信息.     

基于混合高斯和平均背景的运动目标检测算法

本文提出一种基于混合高斯模型和改进了的平均背景减除法来进行运动目标检测的算法。首先,运用混合高斯建立背景模型,然后结合改进的平均背景减除法来确定运动目标。实验结果表明,该算法准确性高,稳定性好,能满足实时监控的需要。     

一种改进的运动人体目标检测方法研究

人体运动目标检测一直是计算机视觉应用领域中一个重要研究课题,但检测过程中易受到背景抖动、环境光线变化等外界因素影响造成目标提取失败.为了消除噪声干扰,提高识别能力,在分析现有方法的基础上,提出一种基于帧差法和背景减除法相结合的人体目标检测方法.首先利用高斯模型构建自适应背景模型,并结合帧差信息对其进行选择性背景更新,将两种方法得到的检测结果进行逻辑运算,分割出完整可靠的前景目标.实验结果表明改进方法准确率高,适应能力较强,从而验证了目标检测的有效性.     

基于像素层背景模型的复杂场景运动目标检测

为了从复杂变化背景中鲁棒地检测、提取运动目标,提出一种基于像素层背景模型的运动目标检测算法。该算法采用快速均值漂移方法将背景帧上具有相同统计特性的像素划分为一个像素层,背景模型从而被表示为一组像素层,通过与邻域像素对应的层匹配来检测运动前景像素。实验结果表明,该方法可以实时、准确地检测运动目标,特别是在摄像机颤动等原因造成的背景时域不规则变化情况下,比经典的基于混合高斯背景模型的方法具有更好的检测效果。     

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RGB颜色空间的减背景运动目标检测

在计算机视觉领域中,运动目标检测与分割是一个基础而又关键的问题.减背景法是其中一个比较经典和常用的方法,其难点在于如何获取背景以及实现背景的自适应更新.针对该问?提出一种基于RGB颜色空间的运动目标检测算法,充分利用了图像序列在RGB空间中的变化特点,首先通过抽取帧图像进行背景重构,即对图像序列中每个像素点的RGB值进行排序后取中间值作为该点背景像素的RGB值;在此基础上引入学习率对背景进行自适应更新,然后在RGB空间中进行前景目标提取,最后利用数学形态学和连通性分析对结果进行后处理.实验结果表明,该算法快速有效、能够满足实时要求.