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.     

基于DM6446的多目标运动检测与跟踪系统

针对视频监控领域面对的运算量大,实时性要求高的情况,依靠达芬奇双核（ARM＋DSP）处理芯片的高性能,设计了1个多目标的运动检测与跟踪系统。硬件系统围绕TMS320DM6446进行设计与实现,软件部分在Linux系统下实现了视频的采集,播放,运动目标的检测与跟踪。ARM端采用多线程处理方式,DSP端运行核心算法。算法采用了灰度空间与彩色空间、三帧差分与背景减法相结合的方式进行运动目标检测;跟踪部分采用动态权重系数的多特征融合匹配,最小二乘法预测形心的跟踪算法。经过实验表明系统检测与跟踪效果良好,实时性强,能够满足实时的对视频图像进行采集与处理的要求。     

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。     

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。     

视频监控系统中监控目标运动矢量计算

智能视频监控系统借助计算机图像处理、模式识别等技术,可以在无人值守情况下,实时检测监控场景下的运动目标,并对其跟踪和行为理解．这主要涉及动态目标识别和在此基础上动态目标运动矢量的计算问题,本文就这两个问题的实现方法进行了详细研究和论述．     

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TMS320DM642 DSP的实时视频监控系统实现

为了实现视频监控运动目标自动检测和跟踪的应用要求,设计了基于高性能DSP的运动目标跟踪嵌入式系统。该系统利用视频格式YUV420模型的Y分量进行运动目标检测,并以目标的形心为跟踪点,通过绝对误差和判决标准对运动目标进行跟踪;最终利用协同控制策略对摄像头进行控制,保证运动目标长时间保持在视野范围内。该系统通过基于DSP硬件结构的各软件模块优化,提高系统的处理能力,实现了系统的高效跟踪。     

基于计算机视觉的运动目标跟踪算法研究

随着计算机技术的飞速发展,视频图像处理技术得到了显著的提高.本文提出了一种基于计算机视觉的运动目标跟踪方法.在Marr的计算理论框架下,我们引入通过自下而上的视觉跟踪处理方法来进行运动目标跟踪,本文以车辆视频为例,选用Robert算子对车辆进行边缘检测,针对车辆在运动过程中大小和姿态变化的情况,提出了基于多关联模板匹配方法进行跟踪.实验表明本文的算法分离的精度增强,跟踪效果好,并且能很好地满足实时性.     

基于 YOLOv3 算法的教室学生检测与人数统计方法

教室环境中人群密度高、重叠部分较大的特点会给人数统计工作带来困难。基于深度学习 YOLOv3 目标检测算法对学生目标进行检测,并加入 Deep-Sort 算法为核心实时追踪方法,对 YOLOv3 算法检测到的学生目标进行一段时间的跟踪,从而克服传统视频人数统计方法中忽略视频上下帧关联信息的缺点,并且能更好地解决视频遮挡问题。目标检测方法中的损失函数用 tan 方损失函数代替原有交叉熵损失函数,跟踪算法中的卡尔曼滤波算法采用 Levenberg-Marquardt 对修正后的轨迹预测予以优化。最后,对该方法进行性能评价与对比实验,包括是否加入上下文信息对比以及与 SVM 目标检测算法作对比。实验结果表明,此方法在测试集中,加入上下文信息后准确率达 93.4%,召回率达 81.4%。对比 SVM,该方法在教室视频人数统计中准确率提升2.1%,召回率提升 8.9%。     

视频中人脸的实时跟踪

介绍了一种简单、快速的实时视频人脸对象跟踪算法．在使用肤色检测算法进行人脸区域定位的基础上,采用差分运动估计,确定最大的搜索区域,在此区域使用两个正交的边缘梯度跟踪模型和内部肤色像素统计直方图跟踪模型跟踪人脸．本算法较好地解决了跟踪的连续性、实时性和精确度间的矛盾．实验结果表明本算法能够对人脸进行实时跟踪,具有一定实际应用价值．     

一种基于自适应阈值的运动目标检测方法

针对视频监控系统,论文提出了一种基于自适应阈值的运动目标检测方法。通过帧间差分与背景差分相结合来检测运动目标。差分图像二值化时,利用自适应阈值算法来得到最佳阈值。实验结果表明该方法具有很好的实时性、有效性和鲁棒性。     

基于目标运动信息的Mean Shift跟踪算法研究

目标跟踪是计算机视觉实践课程中学生选课率最高的实验项目。针对传统Mean Shift跟踪算法无法克服复杂环境下背景颜色干扰的问题,提出一种基于目标运动信息的Mean Shift跟踪算法。通过引入显著性检测MSS算法,实现对传统MOG(混合高斯模型)算法的改进,并利用改进的MOG算法,检测场景图像中的运动目标信息,对Mean Shift框架下的目标模型进行加权描述,提高目标和背景的区分度,减少背景信息对目标定位的干扰。实验结果表明,改进算法可以对视频流中的运动目标进行较准确的实时跟踪。     

实时视频中多目标遮挡跟踪方法研究

在监控背景固定的情况下,提出了基于目标模型的多目标遮挡跟踪方法。首先建立目标模型,包括颜色、形状及运动特征,然后通过帧间建立的匹配矩阵判定目标是否发生遮挡。当目标发生遮挡时,提出生成"虚目标"进行遮挡目标定位,再通过概率推理方法计算遮挡目标的可见度。实时视频上的实验结果表明,算法能在遮挡时准确跟踪及识别目标。     

视频场景中运动目标检测算法综述

本文阐述了在视频场景中进行运动物体检测的基本流程.介绍了视频目标跟踪的基本算法及其研究进展,包括基于帧差的方法、基于背景模型的方法、基于光流的方法、基于上下文的方法,文章分析了它们的优缺点.     

基于HTML5与WebRTC的视频运动目标检测方法

HTML5标准规范和WebRTC技术的不断演进,使得跨平台音视频实时通讯应用的构建成为可能。分析视频运动目标检测的常用方法,并提出帧差法在HTML5与WebRTC环境下的实现。     

基于视频的排球智能分析系统的研究与实现

以排球运动轨迹为研究对象,将计算机视觉、视频分析处理技术相结合,研究了基于视频的排球轨迹获取关键技术,通过视频帧处理、运动目标检测、识别跟踪、轨迹提取等一系列步骤从视频中精准提取排球运动轨迹信息,采用Intel Open CV及Matlab设计并实现一套排球智能分析系统,为排球比赛分析及球队战术训练等提供决策支持.     

基于分层光流场的运动车辆检测与跟踪

针对LK(Lucas Kanade)算法不能稳定跟踪快速移动目标的局限性,采用一种图像分层光流的跟踪方法,能获得针对目标的大尺度运动的较好预测结果.为了减少计算量,提出一种基于特征角点的光流跟踪技术,首先提取运动车辆的特征角点,计算其光流场,对角点实施跟踪极大地减少了光流计算量,可以满足目标检测实时性的要求.实验表明,当运动车辆转弯和移动时,角点始终稳定可靠,并且跟踪算法能够快速、准确地匹配特征焦点,实现了复杂交通场景下对运动车辆的实时稳定跟踪.     

一种基于改进帧差法的运动目标检测

针对视频中的运动目标离摄像头较近时由于形状的变化而导致目标边界测定不准确的问题,在帧间差分法的基础上,提出了一个求精运动目标边界的算法。先用得到边界值计算目标中心点,再对视频中的运动目标进行运动距离和速度的检测,并在Matlab中进行仿真。实验结果表明,该算法对帧差法的结果进行求精后,得到的运动目标的状态值更接近于实际情况,改进的算法更适合于视频中运动目标形状变化较大的情况下进行运动目标状态的检测。     

一种基于改进的混合高斯模型的运动目标检测算法

在计算机视觉应用中,复杂场景运动目标检测是视频监控、目标追踪的基础,也是智能视频监控领域的研究热点之一。针对现有运动目标检测算法中阴影干扰和参数初始化粗糙的问题,在混合高斯背景建模的基础上采用HSV颜色空间替换原有的RGB颜色模式,并提出一种结合K均值算法与EM算法的参数初始化方法。实验表明,该算法可以有效抑制场景中运动物体的阴影干扰,检测结果更加精确,对复杂场景下的运动目标有较好的检测效果。