全景视频中多运动对象检测与跟踪方法

全景视频多运动对象检测与跟踪技术的通用解决方案是通过投影变换将360°视频转为二维视频后进行检测和跟踪。然而固定球面投影变换会导致全景视频中存在空间上不连续的投影边界,当运动对象处于投影边界时,常规球面投影方法可能将其切分为多个部分,从而导致该运动对象的漏检或误检。针对该问题,提出了融合等距柱状形投影(equi-rectangular projection,ERP)和立方体投影(cube map projection,CMP)的全景视频多运动对象检测与跟踪方法,利用合适的CMP拼接帧减少ERP两极区域失真并弥补其边界不连续性,解决了处于投影边界和两极扭曲的对象检测问题。进一步,通过感知哈希、球面质心和运动方向等多重特征融合来解决全景视频多运动对象跟踪问题。实验结果表明,提出的方案可以有效减少投影边界不连续导致的误检,且能有效应对遮挡、穿梭帧边界和两极扭曲的对象跟踪问题。

基于果蝇视觉神经网络的单目标运动检测与跟踪

运动目标跟踪因对实时输入信息的处理、跟踪模型的性能有较高要求,使得对应用性较强的目标跟踪模型的构建仍然是较为活跃的研究重点。针对单目标跟踪问题,基于果蝇视觉信息处理机制及目标跟踪具有的固有特征,本文提出不同于现有目标跟踪模型的新型模型。模型设计中,基于果蝇视觉信息处理机制建立改进型前馈果蝇视觉神经网络,进而借助其输出的运动方向量矩阵及运动目标的固有运动特性,构建运动目标的运动方向检测以及位置、速度、偏航角估计模型,由此获得计算复杂度由输入图像的分辨率确定的前馈果蝇视觉目标跟踪模型。比较性的实验表明,相较于经典的和基于深度学习的目标跟踪模型,所获新型目标跟踪模型在多种指标下具有实时处理能力强、跟踪效果好且有较好应用潜力的优点,为目标跟踪研究提供了又一新的解决方案。

基于精确背景运动补偿的机器人运动目标检测与跟踪

为实现动态场景下机器人快速准确地检测与跟踪运动目标,提出一种基于精确背景补偿的运动目标检测方法,并利用Kalman滤波扩展的KCF算法进行目标跟踪。针对传统ORB算法存在特征点分布不均匀、误匹配率高导致背景补偿效果不佳的问题,采用小波变换及图像分块处理保证提取的特征点数目及均匀分布,通过SURF算法提取具有尺度不变性的特征点并构建ORB描述子。利用KNN算法与对称约束相结合的特征匹配法提高匹配精度,同时引入改进的RANSAC方法精确求解全局运动参数完成背景运动补偿,最后通过帧差法及形态学处理获得完整的运动目标,并将KCF算法融合Kalman滤波实现对被遮挡目标进行再跟踪。实验结果表明:该方法特征匹配正确率达到98.4%,在背景运动状态下能够实时准确地检测出运动目标,并且能够连续稳定地跟踪目标。

空域视频场景监视中运动对象的实时检测与跟踪技术

本文分析了空域视频场景中运动对象实时检测、跟踪系统的模型。提出了一种在运动背景下实时检测与跟踪视频运动目标的技术。该方法首先进行背景的全局运动参数估计,并对背景进行补偿校正,将补偿校正后的相邻两帧进行差分检测。然后利用假设检验从差分图像中提取运动区域,利用遗传学方法在指定区域内确定最优分割门限,提取视频运动对象及其特征;最后利用线性预测器对目标进行匹配跟踪。在基于高速DSP的系统平台上的实验结果表明该方法取得了很好的效果。

基于联合检测的多目标跟踪方法研究

为了更好地应对多目标跟踪联合检测算法面对的场景遮挡问题,通过结合注意力机制,提出基于Transformer的运动预测和数据关联(Transformer-based motion prediction and data association,TrMPDA)联合检测跟踪方法。首先,考虑到置信度检测框的质量以及深度特征的视觉表示能力对遮挡场景下跟踪效果的影响,重新设计TrMPDA骨干网络中的ResNet卷积模块,利用相邻像素和长距离像素间丰富的上下文关系指导动态注意矩阵的学习,增强深度特征的视觉表示能力,并通过边界框的宽和高估计边界框位置,提高置信度检测框的质量。其次,在本文方法中保留所有的检测框,根据阈值大小划分高置信度检测框和低置信度检测框,分别执行数据关联匹配,以此来平衡由于遮挡导致的检测框低置信度。实验结果表明本文提出的TrMPDA方法与典型的Sort、JDE、Fairmot等多目标跟踪算法相比具有更好的跟踪效果,能够应对多目标跟踪中目标遮挡的问题。

视频序列中的运动对象检测和跟踪算法(英文)

视频序列中的运动对象检测和跟踪算法在视频分析、计算机视觉、侦察、监控等诸多应用领域起着非常重要的作用.文中从低层图像特征角度对该问题进行了概述.对于运动对象检测,分析了基于结构化特征的进展、基于生物学研究、自底向上、激励驱动的可视化关注模型、综合时域信息的复合时空关注模型、DCT系数分析和运动场分析;对于运动对象跟踪,强调了粒子过滤系统、尺度不变特征变换(SIFT),均值偏移,以及几者的组合应用.对压缩域运动对象跟踪也作为一个重要方面进行了分析,介绍了一种仅利用运动矢量的压缩域运动对象跟踪算法.

机载视频影像运动目标检测与跟踪技术

针对运动物体的检测和追踪,目前已有多种技术手段,但大多是针对静态场景下的运动物体进行探测和追踪。这是由于在静态环境中运动目标较易于探测和追踪;而在移动环境中,物体的识别和追踪是比较困难的,尤其是在无人机上,由于其图像的纹理特性和快速的变化,使得运动对象的识别和追踪成为一个很大的难题。目标检测与追踪技术分为三大类:图像预处理、目标检测和运动追踪。本文对无人机机载视频影像运动目标检测与跟踪技术进行了分析和探讨。1机载视频影像概述视频影像又叫动象,是对静止象的一种扩充,相对于静止象,动象的最大特征是其灰度的改变,从而能反应出运动讯号。

智能视频监控中的运动物体检测与跟踪算法研究

近年来,无论是在工业生产中,还是在安防领域中,智能视频监控都得到了广泛的应用。移动对象的检测和跟踪是实现智能视频监控的关键技术之一,其精度、稳定性和实时性对整个系统的整体性能有很大的影响。在监视系统中,移动物体的追踪和探测是最主要的问题,也是最核心的技术。电脑科技的进步给我们带来了挑战和机会。在智能视频监控中,对移动对象的跟踪在工业生产、医药研究、交通监测、天文观测等众多领域都得到了广泛的应用。这种技术是以对目标进行有效检测为前提的,它是一种在行为描述和理解之前的技术。本文从动态目标检测的方法出发,对智能视频监控中的动态目标的检测以及跟踪技术展开了详细的研究。

基于遮挡感知的行人检测与跟踪算法

针对行人遮挡以及跟踪过程中ID频繁切换的问题,提出一种基于遮挡感知的行人检测与跟踪算法。利用遮挡感知算法提高遮挡情况下的行人检测精度;为提高遮挡情况下的跟踪准确度,融合时变运动特征和梯度方向直方图(HOG)特征为一个新的度量匹配信息,对上下帧的行人多目标进行匹配。实验结果表明:该行人多目标检测算法较基准算法在CrowdHuman测试集上准确率提高了7.49%,召回率提高了9.26%。跟踪算法在MOT数据集上具有较好的鲁棒性和跟踪准确度,相较于近年来流行的YOLOv3-DeepSort,SSD-Sort,MOTA分别提高了5.39%,8.17%。

视频监视中运动目标的检测与跟踪算法

提出一种视频监视中运动目标的精确检测、提取以及跟踪算法。该算法采用基于自适应背景图像估计与当前多帧图像的混合差实现快速精确地检测和提取目标 ,使用扩展的Kalman滤波器预测运动目标下一时刻可能处于的区域 ,缩小了目标跟踪时的搜索范围。充分利用运动目标检测的结果 ,提高了目标的匹配效率及跟踪速度。

运动弱小目标先跟踪后检测技术的研究进展

对低信噪比下图像序列运动小目标先跟踪后检测技术进行了较为系统地研究。首先针对运动弱小目标检测问题,分析比较了先检测后跟踪技术与先跟踪后检测技术;详细阐述了先跟踪后检测技术的主流算法,包括时空域匹配滤波器、基于投影变换与三维匹配滤波相结合的算法、多阶假设检验、动态规划算法、高阶相关方法、递推贝叶斯滤波等算法,并比较了其中几种算法。

基于光流技术的运动目标检测和跟踪方法研究

光流技术作为一种重要的二维运动估计技术,在运动目标检测和跟踪中有着重要的作用。为了更好地将光流技术运用到实时的运动目标检测和跟踪系统中,针对微分光流信息量丰富但计算量大、特征光流计算量小但信息量不足的现状,提出了一种基于最优估计的点匹配技术和光流均匀采样策略的光流场计算方法,并通过对灰度化后的光流场进行自适应阈值分割、形态学滤波等处理,实现了实时的运动目标检测和跟踪。通过对图像序列取700个样本点的仿真实验表明,该方法帧间处理时间基本小于100ms,同时基本解决了信息量和计算量的矛盾。

一种基于背景模型的运动目标检测与跟踪算法

本文提出了一种静止摄像机条件下的运动目标检测与跟踪算法 .它以一种改进的自适应混合高斯模型为背景更新方法 ,用连通区检测算法分割出前景目标 ,以 Kalm an滤波为运动模型实现对运动目标的连续跟踪 .在目标跟踪时 ,该算法针对目标遮挡引起的各种可能情况进行了分析 ,引入了对运动目标的可靠性度量 ,增强了目标跟踪的稳定性和可靠性 .在对多个室外视频序列的实验中 ,该算法显示了良好的性能 ,说明它对于各种外部因素的影响 ,如光照变化、阴影、目标遮挡等 ,具有很强的适应能力 .

基于状态依赖检测的视频运动目标轨迹跟踪算法

目前大多数的目标跟踪算法都假设目标检测的概率与轨迹的状态无关,但是随着目标跟踪性能的降低,这个假设通常不正确,针对此问题,提出一种基于状态检测的目标运动轨迹跟踪算法。不同于大多数现有算法,该算法在目标运动轨迹与检测状态相关的基础上展开。首先预测从先前时刻到当前时刻的每个跟踪的概率密度函数;然后从测量值集合中选取一个子集用于更新,并计算相似度测量;最后迭代计算跟踪质量和目标轨迹评估,将目标检测的状态依赖概率融入到多目标跟踪器中。利用二维多目标跟踪进行仿真实验,交替固定传感器每秒都对监控区域进行扫描,结果显示,跟踪确认率可达97%,显著提高了跟踪性能。此外,该算法在其他交通视频上也有较好的跟踪效果,具有较好的实用性。

体育视频中的运动员检测与跟踪

利用自适应高斯混合模型对视频图像进行建模,从图像序列中获取背景图像并提取运动区域,利用像素的颜色信息从背景图像中提取绿色球场。为提高运动员检测的准确度,利用纹理相似性度量方法消除运动区域中的阴影,用形态学方法消除区域内的裂缝,根据球场信息去除球场外的噪声。改进了CamShift算法,并应用该算法对运动员进行跟踪。

实时视频监控系统中运动目标检测和跟踪的一种实用方法

针对目前信息发展的要求 ,讨论了视频序列中运动目标检测和跟踪的一些方法 ,并在视频监控系统的具体应用环境中 ,提出了运动目标的适时检测和跟踪的一种适用方法 ,同时给出了相应的实验结果 .结果表明 ,本文方法是比较实用的 ,能满足实时视频监控系统的要求 .

基于加权累积差分的运动目标检测与跟踪

针对视频序列中缓变运动目标检测与跟踪的问题,改进加权累积差分方法,设计一种快速检测缓变运动目标的权值分配算法。在检测出的运动目标区域中提取特征点,利用最大距离原则确定特征点的匹配范围,根据视差一致性原则,提出非回溯的误匹配检测方法。实验结果表明,该方法能有效提高跟踪的效率和精度。

运动目标检测与跟踪算法的改进与实现

提出了一种对视频图像中运动目标检测并进行实时跟踪的新方法。该方法利用基于背景建模的背景差分与改进的带时间戳的运动历史图像(tMHI)的目标分割相结合的算法对运动目标进行检测,在获取到视频流中的运动目标轮廓后使用基于tMHI的运动梯度算法来实现运动目标的跟踪。实验结果表明,该方法能够对指定区域内的目标进行有效识别和准确跟踪,并且弥补了运动目标暂时性停止时无法检测出来的不足。

基于差分图象的多运动目标的检测与跟踪

运动目标的检测与跟踪在许多领域有着广泛的应用，它是应用视觉研究的焦点之一。文中介绍了一种基于差分图象的运动目标检测算法，检测结果是符号化了的图象，其中运动目标由其外接矩形表示，然后根据连续性约束假设，实现了运动目标的跟踪。实验表明这种检测和跟踪方法是快速有效的，与现有其它方法相比它能更好地处理跟踪目标之间的重叠以及目标的暂时消失等情况。

基于嵌入式树莓派和OpenCV的运动检测与跟踪系统

为了适应运动检测与跟踪系统小型化、高效化的现实需求,将图像处理的算法移植于小巧灵活的树莓派2代B型,实现了对运动物体的实时检测与跟踪。基于open CV框架下,运用Python语言编程实现了计算帧差和二值化等图像处理要素,并用矩形框将运动物体标记。实验结果分析表明,该系统对光照条件等环境变化有一定的自适应能力,可较好地完成对运动物体的检测与跟踪。