基于MATLAB的动态前景目标特征提取与运动跟踪

动态前景目标识别和提取是计算机视觉领域的重要内容。对动态图像进行前景目标提取与运动跟踪,通过改进高斯混合背景模型,提出一种基于自适应特征加权的前景目标提取算法,目的是对动态画面中的图像特征进行识别并精确提取所需要的画面。根据高斯模型组合多个图像特征,针对组合特征空间的各个子空间构建似然图像,通过似然图像特征分析与加权,提取最具有差异性的特征。根据图像前景特征在图像帧与帧之间的不同,提高前景目标跟踪的鲁棒性。试验结果表明,改进算法在提取前景目标上比传统算法提高了精度,目标跟踪效果好。     

联合颜色与背景信息的自适应均值漂移跟踪算法

针对传统均值漂移跟踪算法由于目标框大小不能变化,尤其当目标尺度大小发生较大变化或旋转时容易导致目标丢失的问题,提出一种联合颜色与背景信息的目标框自适应调整跟踪算法。以经典均值漂移算法为主体跟踪框架,构建前景目标颜色直方图,以Bhattacharyya距离与迭代次数作为判断下一帧目标中心位置的条件,每次迭代通过在当前帧目标框区域内建立感兴趣目标与局部背景空间模型,经快速傅里叶变换后计算当前帧与下一帧空间模型,得到尺度调节因子,作为每一帧跟踪窗口大小的权重,进而不断调整跟踪窗口尺度大小。通过自适应调整每一帧跟踪窗口的尺度调节因子,达到实时修正目标模型描述,进而提高跟踪准确性的目的,大大降低了由于目标模型固化导致的中心位置跟踪累积误差。通过对两组图像的序列仿真结果表明,改进算法相比于经典算法具有更强的鲁棒性。     

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.     

基于DM6437硬件平台的智能目标跟踪系统设计

以DM6437硬件平台为核心,提出了一种智能目标跟踪系统设计方案,从硬件组成、特点、结构、功能和软件的设计流程两方面给出了设计思路,测试了不同环境下的跟踪效果,指出下一步的改进方向.该设计硬件成本低廉、算法易于实现,具有一定的实用性.     

基于Meanshift采样的辅助变量粒子滤波跟踪算法

针对视频图像运动目标跟踪时的时延问题和目标被遮挡时易丢失的问题,提出了一种基于Meanshift采样的辅助变量粒子滤波跟踪算法。采用AVPF算法作为跟踪算法的主体框架,对每个辅助采样粒子进行Meanshift转移,利用采样粒子确定候选目标区域,对候选目标模型与目标模型进行相似性度量,更新粒子权重,最后估计目标状态。仿真结果显示,本文算法能够有效处理跟踪过程中目标部分被遮挡的问题,具有较好的鲁棒性和较好的实时性。     

基于模糊信息融合的目标自适应跟踪算法

针对一般自适应算法对弱机动、非机动目标的跟踪精度不高的问题，将模糊逻辑引入系统，对并行工作的两滤波器进行数据融合。仿真结果表明：与一般自适应算法相比，本算法对不同机动程度的目标跟踪精度均有大幅提高。     

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。     

智能视频监控系统中的目标跟踪方法研究

针对单一的传统目标跟踪算法计算量大、跟踪易丢失等问题,采用均值漂移算法嵌入到粒子滤波的跟踪框架中,遇到遮挡时,算法切换到粒子滤波进行跟踪,并采用重采样方法来抑制粒子退化现象;而在无遮挡时,采用均值漂移算法来提高跟踪的实时性和鲁棒性。实验结果表明,该算法可以增强算法目标在遮挡情况下的实时性和鲁棒性。     

STC目标跟踪算法及改进

针对传统的STC目标跟踪算法在刚性形变、多尺度自适应跟踪效果不稳定问题,提出了一种改进的STC目标跟踪算法。结合时空上下文信息特征,利用PCA自适应颜色降维特征建立外观模型,获得先验模型|在频域进行在线学习,建立上下文模型|计算置信图,找到响应分数最大值,预测下一帧位置。为验证算法有效性,在Benchmark库提供的数据集中进行算法测试和分析,结果证明,其在刚性形变、快速运动、遮挡、彩色图像跟踪中有较好的鲁棒性。     

自适应背景模型获取更新算法分析与比较

针对运动目标检测中背景模型的获取和更新,描述了自适应背景模型常用的几种背景模型,并对这些背景建模和更新进行了分析和比较,最后通过试验验证了各自的有效性.     

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.     

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IMM的三维机动目标跟踪算法研究

对单站雷达三维空间机动目标的跟踪方法进行了研究,选取匀速运动模型分别组合"当前"统计模型和Singer模型的两种交互多模型跟踪滤波算法来处理三维空间机动目标测量数据并进行仿真分析,仿真结果表明,IMM算法的滤波结果优于单模型滤波,验证了算法对机动目标的跟踪有效性。     

基于背景差分法的视频目标检测算法研究

运动目标的检测是数字图像处理和模式识别以及计算机视觉领域研究的主要内容之一,也是计算机视觉研究的一个重要领域。对基于背景差分法的视频目标检测的算法进行了研究。以Matlab为主体研究工具,对视频中的运动目标进行检测。对背景差分法的原理和算法进行了研究,并对其进行了详细的讨论和分析。利用中值滤波背景模型来提取背景,并对目标的阴影进行检测与抑制。实验结果表明,采用该算法对运动目标进行检测具有良好的准确性和稳定性。     

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。     

基于数据融合和PSO的移动目标跟踪方法

针对移动目标跟踪的传感器能量损耗的弊端,提出了以数据融合和粒子群算法(PSO)相结合的移动目标跟踪方法。首先,通过建立不确定传感器感知模型,动态选择传感器父节点,结合PSO对以父节点为中心的一定范围内的所有传感器节点进行局部优化部署;其次,通过D-S证据理论进行数据融合;最后,通过MATLAB平台进行仿真验证。结果表明：在保证有效跟踪的前提下,该方法能最大程度地减少传感器的使用数量以及传感器节点的移动距离,实现减少能量损耗的目的,可为破解传感器的能量损耗难题提供新思路。     

基于背景复原的视频目标跟踪研究

通过对视频图像中只有一个运动目标、以及含有多目标的视频进行测试,实验研究结果表明：小波神经网络将小波变换良好的时频局域化特性和神经网络的自学习功能相结合,具有最佳的函数逼近能力和容错能力。     

基于局部稀疏表示的目标跟踪算法

目标跟踪是计算机视觉领域重要的研究方向之一。基于l1最小化稀疏表示的目标跟踪算法跟踪精度高,但是在跟踪部分遮挡目标或当背景中存在与目标相似的干扰物时会发生漂移。这主要是因为算法仅关注目标的整体特征,而忽略了目标局部特征的变化情况。为了解决该问题,提出基于目标外观局部稀疏表示的跟踪算法。首先,对待选样本进行分块,然后利用采集得到的模板对各分块进行稀疏表示并计算重构误差,最后选取累积误差最小的待选样本作为跟踪目标。实验结果表明,该算法在跟踪被部分遮挡的目标时相比l1跟踪算法有更高的准确度。     

基于稀疏表达特征选择的压缩感知目标跟踪算法

目标跟踪是计算机视觉领域重要研究方向之一。压缩感知跟踪速度快、精度高,但是跟踪被遮挡目标时使用被遮挡的哈尔特征构建分类器,导致分类器性能降低,目标容易丢失。为了解决该问题,提出了根据l1稀疏表示判断哈尔特征是否被遮挡,然后使用未被遮挡的特征构建贝叶斯分类器。首先对每一帧跟踪结果运用稀疏表示提取出未被遮挡特征的集合,在构建贝叶斯分类器时仅使用未被遮挡的特征。然后使用训练好的分类器对下一帧候选样本进行分类,选取具有最大分类响应的候选样本作为跟踪结果。实验结果表明,该算法在跟踪目标部分遮挡时相比CT算法有更高跟踪准确度,算法能够实时得到高效、准确的目标跟踪结果。