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。     

基于运动区域的多目标检测

运动目标的检测在天文观测、气象分析、安全监视、交通管制等许多领域有着广泛的应用，它是机器视觉研究的重要课题。本文提出了基于运动区域的多目标检测方法，有效地解决了同一运动目标在序列图像中“远小近大”的问题，运用运动区域正确地检测出运动目标在序列图像中的位置。     

基于差分图象的多运动目标的检测与跟踪

运动目标的检测与跟踪在许多领域有广泛的应用,它是应用视觉研究的焦点之一。     

基于轨迹聚类的超市顾客运动跟踪

针对超市等复杂应用环境下的运动目标轨迹跟踪问题,将轨迹聚类运用于目标跟踪中,提出了一种超市顾客运动跟踪方法。该方法对Kanade-Lucas-Tomasi(KLT)算法提取并跟踪得到的特征点轨迹进行预处理,滤除背景和短时特征点以分离出运动目标所在区域的关键特征点;进而采用均值漂移(meanshift)算法进行轨迹聚类,解决了单帧静态特征点聚类时的目标遮挡问题;最后采用运动跟踪匹配算法对前后帧的特征点进行最优匹配,解决了目标出入视频区域以及具有复杂路线时的稳定跟踪问题,得到顾客的完整运动轨迹。实验结果表明,该方法能够在超市入口、生鲜区以及收银台等各种典型超市区域中完成顾客轨迹的运动跟踪,并对顾客部分遮挡、复杂运动轨迹以及异步运动等多种特殊情况具有较高的鲁棒性。     

基于卡尔曼滤波的多区域关联运动目标跟踪

针对视频目标跟踪中的遮挡及跟踪漂移问题,提出一种基于卡尔曼滤波的多区域关联运动目标跟踪算法。该算法将目标划分为多个区域并构建无向图,通过卡尔曼滤波预测出各区域中心,再结合灰度直方图匹配及相邻区域的位置关系,计算出各区域观测中心,最后应用卡尔曼滤波修正观测中心实现跟踪。对两区域人体目标跟踪的实验结果表明,与各区域单独采用Mean Shift跟踪算法相比,所提算法在目标遮挡、目标与背景特征相似的情况下,依然具有较好的鲁棒性和实时性。     

短程线主动轮廓跟踪算法的研究--在复杂背景和非刚性运动目标跟踪中的应用

在复杂背景下对多个非刚性目标进行跟踪是计算机视觉中的一个难点。在短程线主动轮廓模型的基础上，利用力场正则化方法，并加入运动边缘信息，提出了一种在复杂背景下多个非刚性目标进行跟踪的方法。该方法由运动检测和跟踪两部分组成：运动检测利用运动边缘信息对运动目标的运动做出检测，让轮廓曲线运动到目标轮廓附近；跟踪利用当前帧中的静态边缘信息对运动检测的结果加以修正，而跟踪这一步引入的偏差将在下一帧的运动检测中得到修正。实验表明该方法能够有效地在复杂背景中对多个非刚性运动目标进行跟踪。     

基于视觉记忆模型聚类的运动目标检测

传统的混合高斯背景建模可对存在渐变及重复性运动的场景进行建模,但其运算过程需要足够的计算量和存储空间,不适应在复杂背景下的背景建模,也不能解决场景中存在的突变。针对这些问题,提出了一种基于记忆模型的聚类算法,算法为每个像素点设置一个聚类模型,每个聚类可根据背景的变化结合人类记忆模型自适应的创建、更新和删除。该算法通过人类瞬时记忆、短时记忆和长时记忆做出准确判断,运动目标检测结果更能符合人类感觉器官的判断。     

复杂监控背景下多运动目标的检测与跟踪

在目标跟踪系监测系统中,视频的处理主要由摄像机视频捕获、视频图像帧的预处理、运动中目标的监测、运动目标的跟踪、运动目标的分类和目标行为描述与理解等步骤.其中,运动目标检测与跟踪是视频处理系统中的核心内容.主要对运动目标在复杂环境下检测与跟踪技术进行研究.     

基于聚类的背景建模与运动目标检测方法

为克服目前动态背景建模方法中计算量和存储量大的问题,提出了一种基于聚类的动态背景建模与运动目标分割方法。由于动态背景下每个像素的取值在时间轴上呈多峰分布形式,因此将每个峰看成一个子类,用聚类技术快速实现了动态背景的建模与更新,然后利用建立的背景模型快速、准确地实现运动目标的分割。实验结果表明：提出的背景建模方法能有效捕获并适应背景的动态变化,可显著降低目前动态背景建模方法的计算量和内存需求量,易于在基于DSP 或 FPGA等硬件系统上实时实现。     

基于视频信息的运动目标分析研究综述

合理地处理视频信息,并从中得到有用的信息,已经成为了目前研究的一个热点.对于视频信息中运动目标的分析一般从运动目标检测和运动目标跟踪两方面进行.本文分别对这这两方面的现有的算法和问题进行了深入探讨,比较了相关方法的优缺点.在最后的部分,讨论了运动目标分析技术发展的趋势.     

基于双目视觉的运动目标跟踪与测量

在研究融合运动目标位置预测的Mean Shift跟踪算法和双目立体视觉中的空间点定位算法的基础上,基于双目视觉设计了双目立体视觉运动目标跟踪和测量系统,并在所进行的跟踪与测量实验中,提取了运动目标质心的三维坐标序列,实现了对目标深度和速度的测量。     

Tracking multiple moving objects by binary object forest segmentation

In an earlier study it was shown that the low level image segmentation technique known as binary object forest (BOF) analysis could be successfully used to extract one or two moving objects from complex backgrounds, even when the motion involved was very large. The method involved performing BOF analysis on each of a pair of images from a sequence and then matching the vertices of the resulting graphs. In the present study the problem of tracking multiple objects in complex backgrounds and in difficult circumstances such as partial occlusion, is considered. The approach taken is once again to perform an initial BOF analysis of each image but now to attempt matching over subgraphs of the BOF rather than simply on individual vertices. It is shown theoretically and experimentally that this results in a much more robust matching scheme. This increase in robustness not only allows multiple objects to be tracked but facilitates correct matching even when partial object occlusion occurs and when motion towards the sensor results in large (apparent) size changes between frames.     

运动目标跟踪算法研究综述*

将运动目标跟踪问题分解为运动检测和目标跟踪分别加以讨论,分类描述了目标跟踪问题的研究现状、研究方法及常用算法,比较了各种方法的优劣及面临的技术难点问题,并对运动目标跟踪算法的研究前景进行了展望。     

基于区域形心及其矢量方向的视频对象跟踪

提出了一种新的基于区域形心及其矢量方向的视频对象跟踪算法。视频对象分割后，使用区域增长法将视频对象分成若干个区域，然后利用视频序列连续两帧中每个区域的形心及形心间矢量的方向，快速、有效地自动跟踪多个目标对象。实验结果表明，该算法对运动物体的出现和消失，以及非刚性物体的尺度变化和变形，具有较强的鲁棒性。     

基于FPGA的运动目标检测系统设计

针对运动目标检测技术在国防军工领域的广泛应用,设计了一种基于FPGA的运动目标检测系统。利用CCD摄像头采集带有运动目标的视频图像,并将采集后视频图像传输给SAA7113H进行解码,再将解码后的数字信号供给FPGA实现帧间差分算法以达到运动目标检测的目的,之后将数据传输给SAA7121H芯片进行编码,并将编码后的视频数据在显示单元中显示。实验测试结果表明,该运动目标检测系统能够实时地检测出运动目标,稳定性高,实时性好。     

运动目标识别与跟踪仿真系统的基本技术问题

分析了运动目标识别与跟踪仿真系统的概念、组成及基本技术问题,并指出电视成像仿真是系统的关键。为提高电视成像仿真的数值模拟逼真度,必须在OpenGL、OSG等三维场景建模软件中考虑太阳光、天空环境光对目标亮度的作用,电视光学系统的离焦、长距离的大气传输过程中湍流对电视上目标成像的影响也不可忽略。对电视图像处理延迟对跟踪过程的影响提出了仿真方法,这些内容对研究运动目标跟踪系统是有益的。     

基于Mean Shift的多模板目标跟踪算法

目标跟踪是计算机视觉研究领域的热点之一,并得到广泛应用。其中基于Mean Shift的运动目标跟踪算法因其计算量小,实时性好,简单易行等特点而受到广泛关注,但该算法在目标突变或严重帧丢失以及目标严重遮挡的情况跟踪效果不佳,留下了改进空间。在传统基于Mean Shift运动目标跟踪方法基础上,通过创建并维护多样性模板库为跟踪过程提供更丰富的目标描述信息,提高算法运动目标跟踪效果。实验结果表明,新算法较好地解决了在目标突变和严重帧丢失情况下不能准确跟踪目标的问题,并且对目标的完全遮挡也具有很好的鲁棒性。     

基于运动点团的鱼眼图像中多目标检测方法研究

采用运动点团模式对鱼眼视频序列中的目标检测方法进行了研究和探讨。运动点团模式的运动目标检测分为三个层次,每个层次对应一个具体的检测算法,即基于像素层的背景提取和更新、运动点团层的点团检测和判定及运动目标层的目标标记和跟踪。对三个算法的原理进行了探讨,并结合鱼眼图像的特点进行了算法改进和优化。实验结果表明,以运动点团作为中间检测过程的方法能有效对圆形鱼眼视频序列中的多个运动目标进行检测,特别是图像边缘的大畸变、低分辨率目标,相比传统的检测方法具有更好的检测稳定性和准确性,在大范围智能视频监控中具备很好的实际应用价值。     

轮廓随机序列模型及其分级检测技术*

研究了运动目标图像随机轮廓模型,它包含四特征模型和三参数非平稳随机序列描述,进而拟订了轮廓检测定理;然后建立了轮廓分级检测系统,根据轮廓分割了目标图像.系统包含二阶时差分变换、全域自学习的高信噪比轮廓点二元聚类检测;中信噪比轮廓点自学习的局域检测;在时空域基于封闭和Markov关联准则的低信噪比轮廓点检测.实验仿真给出了良好的结果.