李恒年[1]2016年在《动态背景下的视频目标检测与跟踪研究》文中提出视频序列中的目标检测与跟踪技术是计算机视觉中的一项重要研究课题,其技术核心是指在视频序列中获取运动目标位置信息及其运动轨迹。当前,静态背景下的运动目标检测与跟踪算法体系日趋成熟;随着近年来移动机器人和智能设备的发展,移动摄像的应用逐渐增多,这时摄像机的移动导致背景不再静止,常用的静态背景下视频目标检测与跟踪算法已经不再适用,因此研究动态场景下的目标检测与跟踪算法具有重要意义。论文对现阶段视频序列中的目标检测与跟踪技术的国内外研究现状进行了分析,研究了基于背景补偿法的运动目标检测和基于TLD算法的目标跟踪技术,主要完成以下工作:首先,论文分析和研究了背景补偿算法。为使背景补偿法中全局运动参数估计更加精确,提出了一种改进的背景补偿法;改进的算法将SURF算法和FAST算法的优点结合起来,代替原有方法进行匹配,在得到精确匹配数据的同时,保证了其运行实时性,并且采用了RANSAC算法滤除错误匹配点。其次,在研究TLD算法的基础上提出了一种改进的动态背景目标跟踪算法。为了提高目标跟踪算法的实时性,在TLD检测模块中加入了颜色分类器,增加了目标检测时对颜色的敏感度,提高了检测模块的效率。最后,针对TLD算法需要手动选定跟踪目标的问题,将改进的TLD算法与背景补偿算法相结合实现了运动目标的自动跟踪。论文在VS2008平台下使用OpenCV2.3.1计算机视觉库编程对改进算法进行了仿真实验,采用了多组动态背景下的视频序列进行测试。实验表明,在运动目标检测方面,改进的背景补偿算法提高了背景补偿精度,在动态背景下具有良好的检测效果;在运动目标跟踪方面,改进后的TLD算法能够在背景不断变化下实现对目标的跟踪,其平均处理帧率提高了一倍,具有良好的实时性和应用价值。
郭倩[2]2008年在《车辆监控系统图像检测算法研究》文中认为数字图像处理技术与监控系统的结合、应用是近年来的热点研究课题。特别是智能视频技术与交通监控系统的相结合,不仅使系统具备了数字视频的压缩、传输、存储和播放功能,更使系统具备了图像分析、智能监控的特色,从而能够方便的实现车辆的分割和检测、测量相关的交通参数,如车流量及运动方向统计等;根据相关的数学模型,还可实现车辆的运动检测,车辆的跟踪与车辆的识别。本课题源于基于视频的车辆智能检测系统项目的预研,旨在通过研究提出一种应用于运动车辆的监测的图像检测算法,适用于固定摄像头下的视频图像中运动目标识别和跟踪,使得视频图像分析能够适合集成到视频图像采集压缩前端模块中,运用改进的算法模型实现计算效率最大化以及目标判断准确性。视频图像分析中,背景提取的准确与否直接关系到分割质量。运动车辆检测通常是在户外,天气、光照等外界环境的改变对图像背景的灰度影响是背景提取中不得不考虑的环节。本文通过分别对基于静、动态背景的生成中的平均值法,多帧中值滤波算法和自适应滤波算法进行了大量理论研究和实验对比论证,提出了适用于该运动车辆检测系统的背景提取法,滤除因环境变化而产生的干扰噪声,并结合固定摄像头下运动车辆检测的各种图像特征,运用基于数学形态学分割算法实现了对运动车辆对象的提取。针对图像监控中非有效对象的运动产生的噪声干扰问题,根据车辆视频图像的运动连续特性,利用卡尔曼滤波器算法对运动目标跟踪和噪声的滤除。并通过改进的基于边缘增长的主动轮廓模型算法对运动目标轮廓进一步精确,提高分割质量,为多车型的识别做准备。综合这些运动图像检测算法,总结出了一种新型的优良的运动车辆目标跟踪监测方案,使其能够有效克服分割干扰,过分割以及运算量大等一般算法的缺陷。最后使用该方案对运动车辆视频图像进行了监测仿真验证。仿真结果表明,检测效果基本能够满足对运动目标检测的要求。
程娟[3]2008年在《复杂背景下运动目标识别算法研究》文中进行了进一步梳理图像序列中的运动目标检测与跟踪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。在机器人导航、安全监控系统、医学图像分析和虚拟现实等领域都有广泛的应用。对于目标跟踪系统,其核心主要包括两个部分:一是运动目标的检测与提取;二是运动目标的跟踪。本文对复杂背景下行人运动目标的检测、提取和跟踪等问题进行了研究。在目标检测问题上,着重对基于复杂背景的检测方法进行了研究分析,讨论了背景的初始化及背景模型的建立和更新的各类方法原理。改善了原有的IIR滤波背景更新算法,提出了一种基于检验假设的背景更新系数获得方法,可以针对不同序列自适应地进行背景更新。实验表明,综合考虑方法的有效性和算法的复杂程度,该方法具有实际可行性;利用该方法进行的目标检测结果可为下面的提取提供较为理想的背景差分结果。在运动目标提取问题上,为了从前景点中将行人目标完整分割提取出来,获得各种用于目标跟踪的特征描述,本文在对差分图像进行阈值分割的基础上,结合形态学滤波及连通性检测方法去除前景噪声及区域内空洞。并在获得完整目标区域后,为后续的目标跟踪建立特征向量。通过实验验证算法可以有效地从差分图像中较为完整提取目标,算法具有较好的实时性。在分析了Camshift算法和Meanshift算法的基础上,通过Bhattacharyya系数来判断运动物体的遮挡情况,进而选择Kalman或者粒子滤波算法对遮挡情况下的运动物体进行跟踪,并给出仿真结果及分析,在一定程度上验证了本文算法,兼顾了Camshift算法在计算量上的优势和粒子滤波算法有效性高的优点。在本文的最后,利用OpenCV库在Windows平台下设计了一个小型的视频运动分析系统,对本文的算法进行演示和分析,验证算法的实时性及有效性。
廖娟[4]2015年在《复杂场景运动目标检测关键算法研究及应用系统技术实现》文中研究说明视频监控已广泛应用,仅南京地区的监控摄像已逾50万路,计算机图像的识别解析,特别对运动目标的大小尺寸、行为轨迹、运动速度、以及流量统计等等需求凸显,。然而外场环境复杂条件不可控,往往带来运动目标检测的严重的错误判决和误差。我实验室承担《船舶实时视频图像监测识别系统关键技术研究及应用》、《智能视觉感知的安全事件检测系统》、《高速公路多元传感、汇聚挖掘、预警决策、综合发布网络系统》等多项国家、省部级项目,其中遇到种种复杂的外界环境条件。诸如,摄像机抖动、光线变化、特殊天气、车辆阴影等等。特别在运动船舶检测中,水面波光粼粼、船只与水面对比度弱、船行波的同步运动等都增加了船舶识别的困难,影响船体大小检测......对此,国内外的相关研究尚不够,因此更有必要对外场的复杂环境条件,及其对运动目标检测的影响加以研究,以解决这一瓶颈。论文结合科研项目的实际应用背景所遇到的瓶颈,解析了视频监控的模块构成、运动目标检测的内涵与地位,及其与复杂环境的关联性,分析了国内外已有应对复杂环境影响的相关算法合理性和局限性,以从中寻求产生误检、漏检的症结,明确症结问题的难度,理出解决问题的头绪和途径,从而通过解析、提出相关系列算法或优化方案,加以仿真、实验、乃至实际运行验证。论文系列关键算法的研究中主要包括:基于灭点估计的路面ROI区域提取、动态背景下基于视觉背景建模(VIBE)的运动目标检测、相机抖动下基于运动信息分布的运动目标检测、基于色彩比和纹理恒定性的阴影检测与剔除等。针对高速公路摄像机遥控呈遥控方式,论文以路面车道分割线为参考物,提出了通过估计道路灭点来提取路面ROI,不同于以往方法采用人工设置,该方法自适应云台变动,定位摄像机位置,自动提取路面ROI;论文利用分水岭方法分割左右车道,为后续的上下行流量统计和逆行异常事件检测奠定了基础。针对动态背景下运动目标检测问题,论文综合分析了近几年主流的运动目标检测算法,在此基础上,优化了视觉背景建模的运动目标检测算法(VIBE),采用多帧连续图像初始化背景模型,消除了单帧图像初始化所产生的伪目标对检测精度的影响;继而根据背景动态程度自适应调节判断阈值,以提高算法对动态背景适应能力差。为获取实时准确的背景模型,建立基于空间一致性与模糊准则的选择性更新机制,减少算法的误检对模型的影响,提高了算法的鲁棒性。针对相机抖动导致运动目标检测性能下降,论文提出了基于运动信息分布的运动目标检测算法。分析相机抖动图像中运动像素的运动信息,发现背景运动信息分布与前景运动信息分布的差异性能够为运动背/前景区分提供有效依据,在此基础上,构建了非参数的背景运动信息分布模型,通过概率似然性去除了相机抖动造成的前景误检;并利用mean-shift和信息熵方法自动求取判断阈值,克服了单个的全局阈值对场景变化适应能力差问题。针对运动阴影对视频监控准确度的影响,论文分析了阴影的成像模型和色彩属性,构建了一种具有光照不变性的色彩比特征;针对单一类型色彩特征的不足,结合阴影和背景的纹理一致性,提出了融合色彩比和纹理的阴影检测方法,不同于传统方法计算整个区域的纹理相似性,论文设计了一个指标量化纹理相似性,统计小区域内的纹理相似性,该方法更见准确合理,两类特征的结合,解决了单一特征的不可靠。论文并不停留在理论上,从实验演示系统,到“南通海事”、“沪宁高速”等实际应用系统,重点给出了《船舶实时视频图像监测识别系统》为代表的系统设计与构建,加以实际运用,并通过了实际检测验收。综上,研究成果具有重要的理论意义和应用价值。其创新或特点在于:●提出基于灭点估计的路面ROI提取,滤除了图像中冗余信息给视频分析带来的计算负担和处理难度,克服了复杂场景人工方法的自动化和人性化缺失;●优化基于视觉背景建模的运动目标检测,有效降低了动态背景对运动目标检测的干扰,为后续的图像分析与理解提供了良好的基础;●给出基于运动信息分布的运动目标检测,提高了运动目标检测算法对相机抖动的适应性,抑制了运动错检;●提出基于色彩比和纹理恒定性的阴影检测算法,弥补了依靠单一特征方法的不足,去除了运动阴影对系统监控精确度的影响。
杨超华[5]2013年在《基于LABVIEW和MATLAB混合编程技术的视频运动目标检测与跟踪方法研究》文中进行了进一步梳理随着计算机技术和视频图像处理技术的快速发展,智能化视频目标监控已经成为机器视觉学科中的重要研究课题。以往,学界对特定运动目标和静态背景所做的理论研究和工程实践较多,其理论和应用都较为成熟,对非特定运动目标和动态背景的研究相对较少。目前,学界逐步将注意力转移到对后者的研究上,以解决不断涌现出的理论和应用难题,为此本文进行了动态背景下运动目标检测和自动跟踪技术研究,主要工作如下：动态背景下运动目标检测,主要做了两项工作：一是图像帧间配准,本文采用了八邻域Harris特征点提取算法和中心偏置的矩形模板搜索匹配模板,并采用双线性内插法完成了参考帧图像对当前帧图像的匹配,实现了背景静态化；二是总结对比几种经典的运动目标检测算法,采用了满足本系统需求的对称差分检测算法,通过二值化、形态学滤波和目标区域标定等处理更加精确地提取到了运动目标。运动目标自动跟踪方面,综合对比了几种常见的目标跟踪算法,同时兼顾跟踪滞后问题,运用了适合本文的Kalman运动估测和基于MeanShift思想的CamShift目标跟踪混合算法,该算法基于目标颜色特征,无参,鲁棒性和实时性较好,通过云台控制可以很好地将运动目标控制在监控场景中心附近,并结合对称差分法处理结果初始化CamShift算法搜索窗,能够对运动目标进行准确及时的自动跟踪。最后,设计了单运动目标视频监控系统实验平台,系统硬件以PC为主控制器,DH-CG300图像采集卡和ENOCH—1032型CMOS摄像头为视频采集设备,以TRUM-60-P型行波型旋转超声电机及UMD-3II驱动器为执行机构组成基本框架；系统软件采用LabVIEW和MATLAB混合编程平台,模块化设计,利用MATLAB强大的图像计算能力和LabVIEW及其视觉模块IMAQ VISON直观、友好、功能丰富的图像处理界面,对视频目标监控算法进行了有效验证,并获得了图像数据分析结果。当运动目标的速率处于一定范围内,系统能够较好地检测并跟踪运动目标,满足了设计要求。
李敏[6]2008年在《视频监控系统中运动目标检测方法研究》文中认为视频监控系统运动目标检测融合了图像处理、模式识别、人工智能以及计算机科学等许多领域的先进技术,已经成为计算机视觉研究的重要领域。本文主要研究在静止背景下运动目标的检测与提取,在前人工作的基础上对运动目标检测各种算法进行分类研究,分析比较各算法的优缺点,并在此基础上增强对算法的理解以及提出改进。本文总结了当前视频图像分割技术的基本原理,给出了运动目标检测与分割的理论模型。在介绍了叁种传统的运动目标检测算法的基本原理的基础上,提出了一个改进的将背景差分法和帧间差分法相结合的算法,该算法使用帧间差分累积图像,结合前帧的检测效果,在当前帧的前后位置分别粗定位运动目标并更新背景,然后利用背景信息检测出运动目标,实验结果表明该方法既有背景差分法完整检测运动目标的优点,又具有帧间差分法在光线变化情况下的鲁棒性;本文通过研究背景图像的统计特性,给出了一种自适应的背景模型估计法,该方法有效地吸取了Stauffer等提出的自适应混合高斯背景模型基础思想,为每个像素构建高斯背景模型,并在此基础上做了一些改进,即分别对均值μ和方差δ~2采用不同的更新率α,β进行更新,经实验验证,该方法提高了检测灵敏度并降低了模型的适应程度;最后本文提出一种融入帧间差分法的背景模型估计方法,该方法用帧间差分法作为进行高斯背景模型估计的指导,实验表明该方法能有效地分割出图像序列中的前景目标,而且也明显地减少了前景目标对背景模型的影响。
马辉[7]2004年在《动态背景下运动目标的提取》文中研究指明在实际的图像处理问题中，图像的边缘作为图像的一种基本特征，被经常应用到较高层次的特征描述、图像识别、图像分割、图像增强以及图像压缩等的图像处理和分析技术中，从而可对图像作进一步的分析和理解。 当前动态背景中运动目标的处理是数字图像处理领域中的一个重要发展方向，对于运动目标的特征提取具有深远的意义。通常，在复杂的背景中，人们更加关心的往往是对人类视觉系统具有很强冲击性的目标或者是人们要特别关注的目标，因此对于该目标的综合处理变得尤为关键。在对运动目标处理的众多方面中，对其精确轮廓的提取是最重要、最基本的环节。因为只有得到运动目标的带纹理精确轮廓图像后，人们才能在此基础上，对其进行进一步的深入研究。 运动目标提取的传统方法是利用各种空间域或频率域的边缘检测算子对原始图像进行分析，再将得到的轮廓进行处理。这样做既没有考虑到原始图像序列中所附带的纹理信息，也没有对已检测得到的轮廓进行深入的、细致的处理，从而使得轮廓图像中存在很多的干扰信息，比如：尚未处理的杂乱孤立干扰点、伪边缘、运动目标边缘不连续等。 本文在实际项目“体育运动员叁维人体模拟系统”的开发中，我们发现传统的运动目标边缘轮廓检测算法，已经不能完全地适合本文的需求。因此，在传统边缘检测方法的基础上，本文提出了一套适合于从此类体育运动员图像序列中进行运动目标的带纹理精确轮廓提取的算法理论。并对以下几个方面也进行了重点讨论：1)讨论了数学形态学方法在图像边缘检测中的应用，及其灵活变化与实践。2)在边界连接中，根据对实际情况的研究，提出了一种具有通用意义边界连接算法3)根据精度要求的不同，可以利用膨胀算法简化轮廓提取的步骤，以提高算法的时间效率。4)本文巧妙地将计算机图形学中的扫描线算法利用到轮廓提取中，简单有效地达到了运动目标的带纹理精确轮廓提取的目的。
郭晓光[8]2017年在《交通视频中车辆多目标跟踪与特征提取的研究》文中进行了进一步梳理随着人工智能的发展,在智能交通系统中,计算机视觉技术已经融入到智能交通视频的分析中。但由于交通视频中背景复杂,噪声较多,车辆运动目标不规律,使得运动目标的检测和车辆的多目标跟踪仍然面临着诸多具有挑战性的问题。同时在越来越多的车辆视频信息中,如何对检测跟踪到的车辆做有效的特征提取和方便快捷的检索比对。这都成了智能交通信息领域迫切需要解决的问题。本文对交通视频中运动目标检测、车辆多目标跟踪以及目标特征提取和检索等问题进行了研究。在运动车辆检测方面,针对目前常用的ViBe算法在检测中出现明显鬼影区域、缓慢目标残影难以消除、检测精确度和鲁棒性不足的问题,本文提出改进,利用灰度信息为像素建立生命长度矩阵,使鬼影或残影快速融入背景样本得以消除。结合最大类间方差法设置自适应阈值,加入良好后处理抑制动态噪音。引入分类算法的统计指标,对车辆检测效果做定性、定量质量评价和分析,实验结果表明,改进算法在较少帧数内去除了鬼影,抑制了运动目标残影,提高了运动车辆检测的整体性能,这为车辆的多目标跟踪和特征提取奠定了良好基础。在车辆多目标跟踪方面,针对目标遮挡、粘连分离,相似物干扰,目标运动不规律影响跟踪稳定性的问题,提出了一种级联分类检测和SVM分类器再识别的区域匹配跟踪算法。在有效提取运动检测得到的目标连通区域的基础上,根据基于HOG特征的级联分类算法有效识别车辆跟踪区域,减少车辆连通域粘连的影响,并且加入基于LBP特征的SVM分类算法二次识别去掉干扰物和相似物,根据区域匹配关联算法保证了跟踪框能够稳定跟踪,通过多组实验验证了本文多目标跟踪算法可以对车辆持续稳定地跟踪,并且具有较高的准确性。在目标特征和检索方面,本文设计了一个基于车辆特征的交通视频检索比对框架,首先对多目标跟踪车辆特征做分析,根据HSV非均匀量化原理提取目标车辆的主区域颜色,利用朴素贝叶斯分类器对车型特征作识别分类。之后将跟踪车辆的特征作结构化存储,同时提出了基于颜色和车型融合的双特征相似车辆检索比对模式,根据倒排索引进行检索比对,快速定位所需要查找的相似车辆。通过实验验证了特征提取和检索比对的有效性和准确性。
兰红, 周伟, 齐彦丽[9]2016年在《动态背景下的稀疏光流目标提取与跟踪》文中研究表明目的针对背景和摄像机同时运动情况下的运动目标提取与跟踪,提出一种基于稀疏光流的目标提取与跟踪新方法。方法首先,利用金字塔LK光流法生成光流图像匹配相邻两幅图像的特征点,依据光流图像中的位移、方向等光流信息初步划分背景和前景目标的特征点;然后利用中心迭代法去除不属于目标运动区域的噪声特征点;最后,通过前N帧图像目标特征点的最大交集得到属于目标的稳定特征点并在后续帧中进行跟踪。对于后续跟踪图像中存在的遮挡问题,引入了一个基于特征点的遮挡系数,运用Kalman预估算法得到目标位置的预测,并且在目标重新出现时能够迅速定位目标。结果与已有的光流匹配算法相比,本文算法的目标特征点误检率降低了10%左右,成功跟踪率达到97%;引入预估器使得本文算法对有遮挡运动目标也能够实现准确跟踪和定位。结论本文算法对复杂动态背景下无遮挡和有遮挡的持续运动目标跟踪均具有准确识别定位性能,满足实时要求,适用于缓慢或者快速移动的运动场景目标提取和目标跟踪。
贺元晨[10]2014年在《基于特征点的目标检测与跟踪快速算法研究》文中提出运动目标检测与跟踪技术是计算机视觉领域中的一个研究热点,其主要目的是从视频序列中检测出运动目标,并在对目标有效识别与可靠跟踪的基础上,理解和描述目标的行为。动态视频背景下的目标检测与跟踪算法因视频背景运动与目标运动的不确定性使得研究人员难以找出一种普遍适用的解决方案,这类算法主要包括背景补偿与图像预处理、图像分割与目标检测、特征提取和目标跟踪叁项关键技术。而基于特征点的目标检测与跟踪算法是解决这类问题中较为常见,也是应用较为广泛一种。所以本文针对基于特征点的目标检测与跟踪算法进行了系统分析和深入研究。目前,基于特征点的目标检测与跟踪算法仍存在诸多待解决的问题。首先由于传统的特征点检测算法耗时量较大,使得其虽然具有较好的目标检测效果却难以应用于实时系统。其次由于动态视频背景图像特别是航拍视频图像可能发生平移变化、旋转变化、缩放变化以及图像中目标被背景遮挡的情况,这些因素使得在对目标的跟踪过程中可能丢失目标。所以,本文针对以上问题进行分析和研究,提出了适当的解决方案,并通过大量实验对提出的方法进行了验证。本文的研究内容与取得成果包括：1.针对传统的基于特征点的目标检测算法在特征点检测环节耗时较长,实时性较差的问题,提出了一种基于自适应通用加速分割的二进制特征点检测算法。本文研究了几种传统的特征点检测算法,并在此基础上提出了一种基于自适应通用加速分割的ORB特征点提取与匹配算法,即将ORB算法中的FAST算子改为AGAST算子以实现特征点的精确定位与快速生成。将改进的ORB特征点用于动态视频背景图像的特征点提取与匹配,对视频序列的动态背景进行补偿,并采用多帧间隔差分图像累加的方法,配合形态学运算与边缘检测实现目标检测。通过实验验证,本文算法与传统算法相比具有更强的实时性,且对于不同类型的图像具有较强的适应性。2.针对动态视频背景图像下目标跟踪算法中特征点提取与匹配耗时较长、跟踪目标易丢失的问题,提出了一种基于改进的ORB特征点的卡尔曼滤波跟踪算法。首先采用改进的ORB特征点提取和匹配目标图像模板与每帧视频图像的特征,并计算初始帧目标图像模板的中心位置；然后利用卡尔曼滤波预测目标中心位置和基于ROI的扩大区域检测方法,通过匹配的特征点对与目标模板特征点总数的比值变化分析遮挡情况,采取相应的跟踪方案。通过实验验证,本文算法对尺度、旋转、噪声以及遮挡均具有鲁棒性,有效减少了目标丢失情况的发生,实现了对运动目标的稳定、准确和快速跟踪。
参考文献：
[1]. 动态背景下的视频目标检测与跟踪研究[D]. 李恒年. 郑州大学. 2016
[2]. 车辆监控系统图像检测算法研究[D]. 郭倩. 武汉理工大学. 2008
[3]. 复杂背景下运动目标识别算法研究[D]. 程娟. 武汉理工大学. 2008
[4]. 复杂场景运动目标检测关键算法研究及应用系统技术实现[D]. 廖娟. 南京大学. 2015
[5]. 基于LABVIEW和MATLAB混合编程技术的视频运动目标检测与跟踪方法研究[D]. 杨超华. 南京理工大学. 2013
[6]. 视频监控系统中运动目标检测方法研究[D]. 李敏. 西北大学. 2008
[7]. 动态背景下运动目标的提取[D]. 马辉. 河北工业大学. 2004
[8]. 交通视频中车辆多目标跟踪与特征提取的研究[D]. 郭晓光. 天津工业大学. 2017
[9]. 动态背景下的稀疏光流目标提取与跟踪[J]. 兰红, 周伟, 齐彦丽. 中国图象图形学报. 2016
[10]. 基于特征点的目标检测与跟踪快速算法研究[D]. 贺元晨. 西安电子科技大学. 2014
标签：计算机软件及计算机应用论文; 特征提取论文; 图像分割论文; 运动论文; 图像融合论文; 序列模式论文; 动态模型论文; 算法论文;