基于智能视频监控系统的运动目标检测和跟踪研究

运动目标检测和跟踪技术是视频监控系统中的两大关键技术,本文以智能视频监控系统研究为基点,介绍了智能视频监控系统的兴起及组成部分、运动目标检测与跟踪算法的基本作用原理,阐述了基于智能视频监控系统的运动目标检测方法和运动目标检测方法的实现,分析了包括基于均值偏移的跟踪算法、基于粒子滤波的跟踪算法、融合Mean-Shift的粒子滤波跟踪算法在内的运动跟踪方法,对于后期智能视频监控系统的运动目标检测和跟踪研究具有一定的指导意义.     

改进型Mean-Shift算法在行人目标跟踪中的应用

针对传统Mean-Sshift算法对于运动目标特征变化较快、某些干扰和遮挡等问题而引起目标定位偏差的情况,提出了一种基于改进型的颜色直方图的Mean-Shift算法,该算法是将颜色直方图和三重帧间差分的方法相结合的一种目标跟踪算法。实验结果表明,应用改进后的算法思想,可以较准确的对视频流中的行人目标进行实时跟踪,新算法能较好的解决运动目标特征变化较快而引起跟踪不准确的问题,实现对行人目标进行准确定位跟踪。     

基于Kalman滤波算法的运动目标跟踪系统建模与仿真

鉴于传统的跟踪算法鲁棒性和实时性不足,构建了一种基于Kalman滤波的运动目标跟踪系统。对于运动目标的跟踪,此系统先采用背景差分法检测目标位置,再使用Kalman滤波算法估计目标位置。通过建模仿真,结果表明,该算法能较好预测运动目标的位置,实现了对运动目标的实时跟踪。     

基于改进帧间差分与局部Camshift相结合的目标跟踪算法

为了能够准确、快速地跟踪运动目标,提出了改进帧间差分与局部Camshift相结合的目标跟踪算法。针对传统帧间差分法在运动目标提取过程中容易产生“空洞”的现象,并且对噪声敏感的问题,提出了三帧差分的运动目标检测算法。首先,利用三帧差分法,将相邻的三帧图像作为一组进行再差分,从而检测出中间帧运动目标的形状轮廓,然后将该区域作为运动目标的模板区域,并将该区域进行适当扩充,最后采用局部Camshift算法进行目标跟踪。实验结果表明,改进的帧间差分可以有效地弥补“空洞”现象,对噪声也起到了一定的抑制作用。同时,该方法克服了传统Camshift算法需要人为选择跟踪区域和容易发散的缺点,达到了预期的目标检测和跟踪效果。     

一种应用于大型综合实验的运动目标识别与跟踪方法

介绍了一种基于NM I特征的目标识别与跟踪算法,与基于图像灰度的跟踪算法相比,该算法利用运动目标的NM I特征值,避免了背景亮度变化对目标识别和跟踪的干扰,具有实时性好、抗干扰性强的特点,适用于复杂背景下的运动目标检测和跟踪。     

基于KPKM算法的动目标检测与跟踪

针对均值偏移算法在跟踪目标发生形变和遮挡时丢失问题,提出了一种自适应目标检测、核函数带宽可变、Kalman滤波预测和重心轨迹跟踪的改进均值偏移算法（KPKM）。该算法利用目标检测中得到的外接矩形和重心作为均值偏移算法的初值,用改进的Kalman滤波器预测目标运动趋势,使本算法能沿着梯度方向快速收敛到目标中心。实验和仿真结果表明,该方法实现了在复杂场景下,对运动目标的精确检测和准确跟踪。     

基于卡尔曼预测的轨迹片段关联目标跟踪算法

利用卡尔曼算法对运动目标跟踪展开研究,提出了一种基于卡尔曼预测的轨迹片段关联目标跟踪算法。首先利用卡尔曼预测缩小搜索区域,对检测结果进行匹配关联,生成可信的短轨迹片段;然后对每个轨迹片段通过卡尔曼预测迭代关联,形成单个目标的跟踪轨迹集合。实验证明该方法可有效提高轨迹片段关联跟踪算法效率,解决目标相互遮挡问题,实现对目标的稳定跟踪。     

基于相关滤波器的视频跟踪算法与仿真

为解决视频跟踪中目标旋转、形变、光照等导致目标丢失问题,提出了一种相关滤波器跟踪算法,该算法利用局部信息,对目标多次训练获取滤波器,再经相关运算对目标位置进行估计,并在线实时更新滤波器。仿真实验表明,该算法具有快速、简单、鲁棒等特点,能够实现对运动目标的实时跟踪。     

面向异常事件监控的目标跟踪算法设计

针对异常事件监控的需求,提出一种运动目标跟踪算法.该算法首先运用背景减法检测出运动目标,然后运用SURF(speeded-up robnst features)对运动目标进行特征提取和特征匹配,结合扩展卡尔曼滤波器(EKF)实现目标跟踪.实验结果表明,该算法能够有效地解决静态场景下异常事件监控等问题,具有较好的实时性和鲁棒性.     

在非重叠视域监控网络中的人体目标跟踪(英文)

针对存在非重叠视野的摄像机监控网络,提出了一种基于人体外观模型和摄像机间时空信息的人体目标自适应跟踪算法. 对于人体外观模型,首先根据人体测量学理论将人体目标划分成头、躯干和腿 3 个部分,分别提取各部分的 HSV 颜色直方图特征用于构建人体外观模型,然后引入加权因子计算人体目标之间的相似度,最后采用一种基于双阈值的相似度排序算法确定人体目标的匹配关系. 对于摄像机间的时空信息,通过增量学习,不断积累目标关联信息,经统计分析逐步更新摄像机间时空信息. 实验结果验证了所提出的跟踪算法在无需摄像机标定的条件下能够实现人体目标的连续跟踪,且随着关联匹配信息的累加,算法的跟踪准确性也逐步提高.     

基于卡尔曼滤波器的机动目标跟踪仿真

将卡尔曼(Kalman)滤波器的变维滤波算法应用于雷达数据处理中,对机动目标进行跟踪,得出机动目标的滤波数据曲线,并对目标进行了拦截仿真。仿真结果表明该方法能估计出目标的运动特征并对运动目标拦截成功。     

交通图像序列中的多目标跟踪

介绍了一种简单、快速的实时交通图像序列中多目标的跟踪算法,在使用自适应背景差分法分割出运动目标候选区域的基础上,通过形态学操作和降低分辨率的方法,得到连通的目标区域,再使用轨迹关联法实现对多目标的跟踪．实验结果表明该算法较好地解决了跟踪的连续性、实时性、精确度的矛盾,同时满足智能交通监控系统的要求．     

基于视频的运动目标检测跟踪模型的应用研究

本文采用了一种运动目标存在情况下的背景重建算法,能较好地抑制外界环境变化带来的影响。该运动目标检测算法通过一定数量帧的学习、统计,找到各坐标点像素灰度等级的分割阈值。在对当前帧图像进行背景差分后,分割出运动目标区域。若存在运动目标,则根据串行边界跟踪算法获得运动目标轮廓。获得边界后,模型将绘制方框显示运动物体,并发出警报。该运动目标检测模型用VisualC＋＋给予实现。     

基于Kalman和Surf的Camshift目标跟踪研究

传统的Camshift运动目标跟踪算法在目标遮挡或背景颜色干扰下,容易陷入局部最大值,造成目标跟踪丢失。针对这一问题,提出了一种结合Kalman滤波及Surf特征提取的改进算法。该算法需在视频序列中手动框选跟踪目标作为目标模板。将传统Camshift算法得到的目标候选区域与目标模板进行直方图对比,得到的巴氏系数若大于设定的阈值则说明目标跟踪丢失。采用Surf算法,在该帧图像中匹配出新的目标候选区域,最终得到候选区域的位置信息更新Kalman滤波。仿真实验表明,改进后的算法在复杂背景下仍然具有良好的跟踪效果。     

基于背景减的Mean shift目标跟踪算法

为了解决初始窗口离跟踪目标较远或受干扰时,容易跟踪失败的问题,提出一种基于背景差的Mean shift跟踪模型的算法.采用背景差提取当前帧运动目标,并在当前帧运动目标位置附近进行Mean shift迭代,以巴氏系数判断当前目标和历史目标的匹配程度,根据匹配结果决定当前帧目标为跟踪目标或新增目标.实验分析,该算法可实现快速、有效目标跟踪.     

结合颜色和头部轮廓的单人运动粒子滤波跟踪算法

对单人头部运动的跟踪,提出了一种基于头部轮廓和颜色的粒子滤波跟踪算法.结合刻画头部轮廓的椭圆模型和刻画面部区域颜色的颜色直方图模型模拟人的头部.同时采用自适应速度模型来刻画目标的运动.最后利用粒子滤波实现目标的跟踪.对测试序列的实验表明,该算法能较好地克服光照和姿态的变化,在背景比较复杂的情形下也能实现对目标的跟踪.     

基于TMS320DM642和模型化设计的图像跟踪实验系统

介绍一种以TMS320DM642为核心的图像跟踪实验系统,探讨了基于Matalb/Simulink模型化开发的实验方法,给出了一种基于帧间差分法的运动目标跟踪算法的模型化开发流程,包括算法建模、针对DSP目标平台的自动代码生成、性能分析和代码优化等。该实验系统为高素质创新人才的培养提供了有效的平台。     

一种基于多特征融合的俯视行人检测与跟踪方法

针对俯视的行人,提出一种基于俯视行人特征、矩形分块特征、颜色均匀特征等多特征融合的行人检测和跟踪方法。该方法主要由4个部分组成：运动检测、目标识别、目标跟踪建模、目标跟踪。系统在整张图像上用检测窗遍历扫描的方式检测是否含有人头目标,每次移动都是在原图像的一个采样,将所有候选目标都依次检测,保留目标图像;同时,对检测到的目标重新建模以便后续跟踪;最终利用MeanShift算法跟踪检测到的目标。实验表明：该算法精度高、速度快,能有效避免漏检、误检等情况,可以很好地适应复杂场景下的行人检测     

基于多层关联目标跟踪的视频浓缩算法

针对银行监控系统中监控视频信息冗余度高、浏览效率低等问题,提出一种基于多层关联目标跟踪的视频浓缩算法。该算法首先通过基于聚类的目标检测算法获取运动目标,其次将检测结果通过多层关联目标跟踪,获取运动目标的运动轨迹,并将目标图片和视频信息结构化保存在本地,最后将这些目标重新组合整理,回贴到背景图片上得到浓缩视频。实验结果表明,通过该算法得到的浓缩视频,能够在不丢失视频信息的前提下,减少存储空间,节省硬件成本,缩短浏览时间,提高相关人员的工作效率。     

机动目标跟踪的TIMM算法

针对如何避免或减少由于目标的机动运动所带来的估计误差问题,提出了具有门限的相互作用多模型估计(TIMM)的新算法.该算法主要应用于雷达目标自动跟踪系统中.TIMM算法在相互作用多模型估计器(IMM)算法的基础上引入门限控制器来提高跟踪精度,该算法同样适用于其他各种改进的IMM算法.通过2个不同的例子,对由TIMM和IMM这2种算法产生的均方根误差进行比较.仿真结果表明,同IMM算法相比较,TIMM算法可减少估计误差,从而提高机动目标的跟踪性能.