基于Lucas-Kanade算法的目标跟踪研究

在遮挡物较多的变电站场景下,传统的目标跟踪算法容易出现人员跟丢、身份变换、目标被遮挡无法识别等情况,无法做到对目标的准确实时跟踪。该文选择Lucas-Kanade算法,用以对视频中的移动目标进行检测与跟踪研究。在时间流运动目标轨迹不相同时,利用各帧图像上的运动目标轨迹偏差对算法进行评估,主要估算算法对运动目标的跟踪具体情况。实验结果表明,该算法能有效防止被跟踪点因被遮挡、隐没或纹理特性改变而引起的跟踪失败,实现对运动目标的准确、实时和稳定跟踪,从而为变电站在复杂环境中的运动目标检测与跟踪研究提供了参考。

基于图像分割的金字塔Lucas-Kanade光流法提取深度信息

在2D到3D视频的转换过程中,深度信息的提取是最关键的问题。本文利用图像分割的金字塔LucasKanade光流法提取2D视频中的深度信息,主要做了如下工作:1是通过计算当前帧的最大运动矢量来决定所需构建的金字塔层数,通过自适应的方式决定金字塔层数可以弥补因金字塔层数过多造成的信息丢失或者因金字塔层数过少而无法满足Lucas-Kanade光流算法的不足;2是在每层金字塔中,利用Mean Shift图像分割后的信息,去除本次迭代计算得到的运动矢量中的坏点,使得深度提取更加准确;3是自适应地调整每层金字塔的迭代次数,使得在实验结果的质量几乎不变的情况下,达到降低时间复杂度的目的;最后通过统计图像分割每类中的深度值对所得到的深度图进行优化,使得最终得到的深度图中物体边缘信息更加清晰。实验结果表明,利用本文算法所得到的场景深度的边缘信息更加清晰,深度图中的坏点明显减少,在降低时间复杂度的同时,得到了较高质量的深度图。

基于加权Lucas-Kanade算法的目标跟踪

针对传统的序列图像目标跟踪方法难以适应复杂背景干扰、目标形状变化以及目标位置非规则抖动的问题,提出了一种基于加权Lucas-Kanade算法的目标跟踪新方法。首先引入搜索模板,估计出目标在实时图像中的位置并将其作为加权Lucas-Kanade算法的迭代初始值,然后计算权值函数,利用当前模板和初始模板进行两次跟踪,得到目标的准确位置。最后实现了在目标形状及背景变化下的三种模板更新。大量实测数据的实验结果表明,本文所提的方法有效地实现了对地面复杂场景中形变目标的稳定跟踪。

基于Lucas-Kanade稀疏光流算法的奶牛呼吸行为检测

奶牛呼吸行为的智能检测对于奶牛疾病的自动诊断及奶牛精准养殖具有重要意义。该研究基于Lucas-Kanade稀疏光流算法,提出了一种适合于非结构化养殖环境的无接触式单目标奶牛呼吸行为检测方法。通过在HSV颜色空间完成奶牛目标的提取,然后通过Canny算子和掩模操作完成奶牛所有花斑边界的检测,再利用Lucas-Kanade稀疏光流算法计算提取奶牛花斑边界光流,最后根据视频序列帧中花斑边界平均光流的方向变化规律实现奶牛呼吸行为的检测。为了验证本研究算法的有效性,利用不同环境下获取的105段共计25200帧数据进行了测试,并与基于整体Lucas-Kanade光流法、整体Horn-Schunck光流法和基于花斑边界的Horn-Schunck光流法进行了对比验证。试验结果表明,该研究算法的帧处理耗时在0.10~0.13s之间,在试验视频上的平均运行时间为14.14s。奶牛呼吸行为检测的准确率为83.33%~100%之间,平均准确率为98.58%。平均运行时间较基于整体Lucas-Kanade光流法的呼吸行为检测方法慢1.60s,较Horn-Schunck整体光流的呼吸行为检测方法快7.30s,较基于花斑边界的Horn-Schunck光流法快9.16s。呼吸行为检测的平均准确率分别高于3种方法1.91、2.36、1.26个百分点。研究结果表明,通过Lucas-Kanade光流法检测奶牛花斑边界平均光流方向变化实现奶牛呼吸行为检测是可行的,该研究可为奶牛热应激行为的自动监测及其他与呼吸相关疾病的远程诊断提供参考。

基于改进Lucas-Kanade的亚像素级零件图像配准

针对工业应用中零件图像配准存在的光照变化和纹理稀少的难题,提出了改进Lucas-Kanade的亚像素级零件图像配准算法。首先根据光照变化和几何变换模型构建了模板与待配准图像间的非线性最小二乘函数;然后依据两幅图像的方向向量一致性和边缘特征为函数添加权重,以减少冗余像素点;最后应用Levenberg-Marquardt(LM)算法解算函数最优解,以实现精确图像配准。使用500幅待配准图像进行实验,结果表明该算法对缺少纹理的零件具备光照不变性、配准正确率高且达到亚像素级精度,能够满足工业应用的鲁棒性和精度要求。

利用PSO估算Lucas-Kanade光流模型的参数

在使用Lucas-Kanade光流法进行目标跟踪时,由于目标本身存在旋转、位移、缩放等情况,导致估计参数偏差大而影响跟踪的准确性.因此提出使用PSO对Lucas-Kanade光流法中参数做最优化处理,估算出有效参数范围,以取代传统的区域求解法.实验结果表明,该算法能快速有效地跟踪目标.

基于FPGA的Lucas-Kanade算法优化

在FPGA平台上实现基于光流法的视频运动目标跟踪系统,采用Lucas-Kanade算法进行光流场的计算,在图像预处理阶段提出使用三维高斯滤波代替传统二维高斯滤波,引入相邻像素点在时间轴方向的相关性,增强图像的滤波效果。在3D导数计算阶段提出在求导方向的正交面上进行平滑滤波,并采用匹配的导数和平滑参数,提高光流场计算精度。在FPGA平台上设计多级主流水线加子流水线结构,设计了四端口RAM进行图像缓存,优化了最小二乘矩阵单元和浮点数运算单元,实现了实时视频运动目标跟踪。

基于DM642的金字塔Lucas-Kanade光流法计算速度信息

通过垂直拍摄地面的摄像头连续抓拍两帧图像,从中计算出横纵向速度信息。该设计以TMS320DM642为核心,结合TI的VLIB视频处理库,利用VLIB中的Harris角点提取算法对特征点进行提取,并利用金字塔Lucas-Kanade光流法实现对特征点的大位移跟踪,对跟踪出来的横纵向位移信息进行筛选并利用帧率与位移之间的关系计算出速度信息。然后,将该设计与在PC机上用OpenCV实现的金字塔Lucas-Kanade光流法和SURF特征点跟踪匹配法进行比较,其结果表明该设计简易可行且具有实时性好的优点。最后在此基础上简要介绍了此设计的应用前景并对设计进行了总结。

一种自适应的金字塔式Lucas-Kanade目标跟踪算法

本文分析了金字塔式Lucas-Kanade算法在金字塔层数过多时可能出现的问题,并提出一种自适应的金字塔式LK目标跟踪算法。通过在金字塔的当前层上对被跟踪目标的运动尺度作出预判断来确定是否需要增加金字塔层数,层数确定之后再进行光流的计算;每一对相邻帧都采用自适应的方式来确定合适的金字塔层数,以保证每一步的跟踪都尽可能准确。

Lucas-Kanade图像对齐和反向合成图像对齐实时性的研究

该文分别利用Lucas-Kanade图像对齐算法和反向合成图像对齐算法对同一组实验图像(模板图像和输入图像)进行图像对齐,研究了上述2种图像对齐算法的实时性。实验表明,与LucasKanade图像对齐算法相比,反向合成图像对齐算法具有更快的计算速度。反向合成图像对齐算法的实时性比Lucas-Kanade图像对齐算法的实时性好。

基于改进PSO的Lucas-Kanade的参数选取

利用Lucas-Kanade光流法进行目标跟踪时,目标本身存在旋转、位移、缩放等情况,影响跟踪的准确性。因此提出一种新的算法。该算法先使用改进的PSO估算出一组参数,然后把更新出的参数送回到光流法,再进行一次更新,有效地计算出更合适的参数。实验结果表明,该算法能快速有效的对目标进行跟踪。

基于骨骼投影信息的人体行为识别

针对复杂环境下深度相机提取人体骨骼信息失效的问题,利用RGB图像提取运动特征,提出结合人体部分重要关节点信息进行行为识别的方法。首先根据人体行为图片捕捉人体各关节点的空间位置信息,建立坐标系描绘出人体骨架,将三视图嵌入二值图像中;利用Lucas-Kanade光流算法得到关节点的运动信息,构成由张量表示的动作序列;估计动作特征描述序列,再映射到格拉斯曼流形上完成人体行为识别和分类。在MSRActinos3D、UCFKinect数据集上的实验结果表明,该方法能够有效识别各种人体行为。

面向无人机影像的目标特征跟踪方法研究

提出了一种面向无人机视频影像的目标特征跟踪模型,首先根据目标检测结果在目标感兴趣区域中采用Shi-Tomasi算法进行角点检测,提取目标特征角点并在跟踪过程中对特征角点进行实时更新以保证角点数量满足跟踪条件,最后通过金字塔Lucas-Kanade算法对目标特征进行跟踪。实验结果表明,该模型鲁棒性强且易于实现,在获得良好跟踪效果的同时可满足实时处理要求。

公共场所人群加速度异常检测系统

针对目前基于速度检测公共场所密集人群异常行为存在的检测准确率低、使用范围局限的问题,从人群的加速度角度对可能导致公共安全事故的人群异常行为进行研究,提出了一种基于加速度检测人群异常行为的算法,并基于该算法实现了针对人群逃散、人群聚集、人群拥挤和人群逆行4种异常行为检测的系统。首先,利用金字塔Lucas-Kanade光流法进行特征点跟踪;然后,在获取到特征点的速度矩阵基础上进一步计算其加速度矩阵,反映速度的整体变化;最后,从加速度大小和方向两方面检测人群异常行为。结果表明,所提算法检测用时较少,相比基于速度检测的对比算法,检测的正确率提高到80%,误报率降低为5%。

姿态和光照可变条件下的仿射最小线性重构误差人脸识别算法

传统人脸识别算法通常把光照处理和姿态校正作为两个相对独立的处理过程,难以取得全局最优识别性能.针对该问题,本文根据人脸的非刚体特性,将仿射变换和分块思想融入线性重构模型中,提出了一种基于仿射最小线性重构误差(Affine Minimum Linear Reconstruction Error,AMLRE)的人脸识别算法,在处理光照问题的同时能够补偿姿态变化造成的局部区域对齐误差,以获得更好的全局识别性能.在公共数据集上的实验结果表明,本文提出的算法对光照和姿态有很好的鲁棒性,同时与现有的人脸识别算法相比,本文的算法具有更高的识别率.

基于生物视觉特征和视觉心理学的视频显著性检测算法

提出了一种空域和时域相结合的视频显著性检测算法.对单帧图像,受视觉皮层层次化感知特性和Gestalt视觉心理学的启发,提出了一种层次化的静态显著图检测方法.在底层,通过符合生物视觉特性的特征图像(双对立颜色特征及亮度特征图像)的非线性简化模型来合成特征图像,形成多个候选显著区域;在中层,根据矩阵的最小Frobenius-范数(F-范数)性质选取竞争力最强的候选显著区域作为局部显著区域;在高层,利用Gestalt视觉心理学的核心理论,对在中层得到的局部显著区域进行整合,得到具有整体感知的空域显著图.对序列帧图像,基于运动目标在位置、运动幅度和运动方向一致性的假设,对Lucas-Kanade算法检测出的光流点进行二分类,排除噪声点的干扰,并利用光流点的运动幅度来衡量运动目标运动显著性.最后,基于人类视觉对动态信息与静态信息敏感度的差异提出了一种空域和时域显著图融合的通用模型.实验结果表明,该方法能够抑制视频背景中的噪声并且解决了运动目标稀疏等问题,能够较好地从复杂场景中检测出视频中的显著区域.

较大尺度运动下的人体特征点跟踪算法研究

利用光流法可以对视频中运动目标进行特征点跟踪,当目标存在较大尺度运动时,光流法图像一致性假设难以满足,导致特征点跟踪丢失。针对此问题,提出了一种基于Lucas-Kanade(L-K)金字塔光流算法的运动人体特征点跟踪方法。首先,利用帧间差分法得到帧差图像序列,获取行人的运动区域;然后用尺度不变特征变换(SIFT)算法检测选定初始帧中的特征点;最后运用L-K金字塔光流算法跟踪这些特征点在后续帧中的位置。实验结果表明,该算法对较大尺度运动的特征点跟踪有很好的效果,提高了跟踪的准确性。

基于光流追踪技术的变形位移测量方法

提出一种基于金字塔Lucas-Kanade光流跟踪技术的变形位移测量算法.该算法通过检测变形前图像的角点,先利用金字塔Lucas-Kanade算法在变形图像中搜索其匹配点,再经计算求得变形位移值.实验结果表明,该算法进行变形位移测量时精度高、稳定性好.

基于前—后向光流点匹配运动熵的视频抖动检测算法

目前大部分视频监控系统面临着高效实时性智能分析与低效滞后的人工故障排查的矛盾。视频质量智能诊断系统可以为此提供有效的解决方案。针对视频质量诊断系统中的画面抖动异常检测问题,提出一种简单有效的实用算法。该算法通过有效融合图像的稀疏光流与特征点匹配算法,根据前向-后向误差标准估计图像帧的全局运动参数,引入连续帧的运动熵用于衡量视频画面片段运动的混乱程度,判断是否存在视频抖动现象。算法在不同分辨率的实际监控录像数据集上进行了测试和比较。实验证明,该算法在一定程度上克服了大位移抖动的影响,具备良好的实时特性以及较高的检测精度,能够满足实际工作的需求。

“帧平均加速度”人群异常运动检测算法

如何有效地分析、监测突发人群异常状况已成为目前的一个研究热点问题。通过速度值的大小变化来分析是否出现异常状况是目前最常用的人群异常检测方法。但是,除了值的大小之外,运动的方向显然也是速度的另一个重要的特征。研究表明:人群出现异常时,一个最明显现象是人群的运动速度大小或运动方向突然出现变化,例如,由慢速行走转变为迅速奔跑、突然改变行进方向等异常运动。基于此,提出了基于加速度的人群异常检测算法。该算法采用金字塔Lucas-Kanade光流法,通过计算"帧平均加速度"对人群的运动进行分析。实验结果表明所提出的算法能够快速、有效地检测出人群运动的异常,而且相对于单纯运用运动速度值大小进行检测方法,检测结果更准确,应用范围更加广泛。