从移动背景红外序列图像中检测运动目标

该文提出了一种从背景移动红外图像中自动检测运动目标的算法。该算法首先采用图像灰度互相关度量的匹配算法对连续的6帧序列进行配准,用第1帧和第4帧配准,第2帧和第5帧配准,第3帧和第6帧配准,然后用配准后的图像对分别做差分运算,再将3个差分图像按像素相乘,在运动目标处得到了非常尖锐的相关峰。这为进一步自动跟踪目标提供了一个跟踪窗口的中心点。实验结果验证了该方法的有效性。

一种基于MPEG-1检测运动目标的方法

本文利用MPEG-1编码规则提出一种检测运动目标的方法,这种算法的特点是利用MPEG-1视频序列的周期性,并且以序列为基础稳定图象的运动背景,把瞬时差分算法和背景差分算法统一起来,有效的避免了常规算法在实际应用中的各种不足。

面向人体运动检测的水凝胶基柔性应变传感器设计

在可穿戴电子设备迅猛发展的背景下,构建面向人体运动检测的可穿戴柔性应变传感器成为目前传感器研究的重点之一。基于聚丙烯酰胺(PAM)、纤维素纳米晶(CNCs)、单宁酸(TA)构建了一种导电水凝胶基柔性应变传感器。机械性能与电学性能测试结果表明,相较于其他柔性应变传感器,聚丙烯酰胺-纤维素纳米晶-单宁酸导电水凝胶基柔性应变传感器具有超长的拉伸范围(0%~2 900%)、较好的黏附性、快速的响应时间(280 ms)和良好的稳定性(超320次加载-卸载循环)。该传感器对人体关节弯曲的大应变与喉部活动的小应变等运动信号具备良好的检测功能,可用作人体运动检测的柔性可穿戴传感器。

距离角度失配条件下的FDA-MIMO雷达运动目标检测算法

频控阵-多输入多输出(Frequency Diverse Array-Multiple Input Multiple Output,FDA-MIMO)雷达是一种新体制雷达,其发射频率分集特性带来了额外的距离维信息,然而采样误差同样带来了导向矢量失配的问题,不仅如此,角度误差的存在也会进一步加重导向矢量的失配,极大地影响检测器的检测性能。此外,目标速度过快也会对FDA-MIMO雷达的目标检测性能产生影响。速度带来的影响具体表现在两个方面:一方面会导致目标的距离走动,从而导致不同慢时间的回波包络不能对齐,无法相干积累;二是频率增量引起的多普勒扩展,使得不同发射通道的多普勒频率不一样,这会进一步影响检测性能。针对上述问题,本文针对运动目标情况下的目标检测问题进行研究,为了解决目标运动带来的距离徙动和多普勒扩展效应,引入Keystone变换进行校正。此外,为了提升阵列失配条件下的目标检测性能,本文引入子空间模型,提出了距离角度失配情况下的子空间构建方法,并基于广义似然比检验(Generalized Likelihood Ratio Test,GLRT)准则推导了FDA-MIMO雷达在距离和角度失配条件下的自适应检测器。仿真结果表明:在高斯白噪声背景下,所提算法可以校正运动目标在速度较快情况下导致的距离徙动和多普勒扩展效应,且在阵列距离和角度失配条件下的检测性能优于传统的GLRT检测器。此外本文所提Keystone-空域处理检测器与Keystone-全空时处理检测器的性能接近,且计算复杂度更低。

改进四帧差分运动目标检测算法的FPGA实现

针对传统的帧间差分运动目标检测算法易出现虚假边缘及边缘缺失等现象,设计了一种改进的四帧差分运动目标检测系统,将图像边缘信息与四帧差分算法相融合对运动目标进行检测,并在现场可编程门阵列(Field Programmable Gate Array,FPGA)平台上构建了视频图像处理系统。该系统主要由图像采集模块、图像缓存模块、图像处理模块和图像显示模块4个部分组成。通过OV5640摄像头采集1 024×768分辨率的图像数据,将采集的图像数据存入DDR3中,并采用改进的四帧差分算法对运动目标进行检测与标记,最终传输至高清多媒体接口(High-Definition Multimedia Interface,HDMI)外接显示器实时输出结果。实验结果表明,该系统可以准确检测出摄像头采集的视频源中的多个运动目标,并满足实时检测要求。

模拟复眼视叶神经网的目标运动方向检测模型

如何对杂乱背景中物体(目标)的运动方向做出准确可靠的检测与感知,是计算机视觉研究领域中一个重要问题。自然界中,飞虫(如苍蝇、蜻蜓等)高适应性和高可靠性的感知目标运动是一种自然特性,本文基于飞虫−果蝇视叶神经纤维网最新的生理学研究成果,提出一种基于果蝇视觉感知目标运动方向的多层级检测模型系统。通过对不同场景下拍摄的视频序列样本进行实验和测试,并与2-Q运动检测器模型、基于ON和OFF信号通道处理运动信息的检测模型等进行了对比,验证了其在杂乱背景下对于目标水平和垂直方向运动检测的有效性和鲁棒性。

基于计算机视觉和DNN的运动姿态检测算法

针对传统人体运动姿态检测算法存在鲁棒性较差及准确率偏低的问题,文中基于改进的深度图卷积网络提出了一种运动姿态检测算法。该算法将图卷积网络的时域和空间域模型相结合,提升了模型的感受野,并从时、空两个维度提取人体特征点的数据,再利用残差网络将时域和空间域卷积相连接,进而改善了模型拟合能力较差的不足。同时,对于模型因卷积核固定而导致无法适应多种类数据的缺陷,使用多头注意力机制来增强其自适应能力。在实验测试中,所提出的模型改进项相较原算法性能有一定提升,且与最优算法相比,该模型的误差指标降低了1.14 mm,准确率则提升了1.3%,证明了所提方法的有效性及优越性。

基于改进混合高斯模型的运动目标检测方法

智能监控系统全自动实时监控,利用计算机视觉技术和计算机数据处理能力自动识别视频源中的关键信息,可以快速准确地定位异常行为并预警。运动目标检测作为智能监控系统智能分析模块的基础,是智能监控系统中目标识别、异常行为分析及应对策略的基础。本文分析常用的运动目标检测方法,针对混合高斯模型在运动目标速度过慢、光照突变情况下产生空洞的问题,采用一种基于三间帧差法的混合高斯模型目标检测方法,该方法结合三间帧差法通过差分图像获取运动轮廓,具有计算简单、实时性强的优势,以及高斯背景模型减除法获取目标内部信息完整的优势。经实验验证表明该方法实现程序简单,能够有效地检测出背景中的运动目标,满足实时检测的需要。

基于计算机视觉的下肢运动检测系统设计

目的:设计基于计算机视觉和人体关键点检测神经网络模型的人体下肢运动检测系统,以非接触的方式实现三维空间中的人体下肢运动情况检测。方法:首先,搭建运动数据采集平台,获取人体下肢运动图像,并基于OpenPose神经网络模型提取每一帧图像中下肢关键点的二维图像坐标。其次,结合运动数据采集平台中的视觉传感器的位姿信息,基于计算机视觉算法解算关键点的空间坐标,解析三维空间中的下肢运动情况。最后,以骑行运动为例、以动作捕捉系统同时采集的运动数据为标准,分析该系统在不同运动速度时的数据解算情况。结果:骑行速度为0.8、1.3、2.1 m/s时,该系统解算的数据和动作捕捉系统获得的数据的皮尔逊相关系数分别为0.950、0.917、0.828,均在强相关范围内。结论:该系统解算的数据可反映下肢运动情况,对三维空间的下肢运动检测有一定效果。

基于结构相似度和鲁棒主成分分析的运动目标检测

运动目标传统检测方法只考虑图像的亮度或纹理等某一种特性,受特异值影响较大,对噪声比较敏感,鲁棒性也不够好,而且背景恢复精度不高。针对以上局限性,提出一种融合结构相似度(structural similarity,SSIM)全参考模型和鲁棒主成分分析(robust principal component analysis,RPCA)的运动目标检测方法。此方法综合考虑图像的亮度、对比度和结构三种特性,不采用传统的背景减除法,而是把图像像素点的结构相似度作为度量来实现运动对象与背景的分离。实验结果表明,此方法准确率可达0.95,且F度量较传统运动目标检测算法平均提升0.15,总体上比传统方法更具优势。

基于无人机航拍视频的运动目标检测与跟踪

针对无人机视角下拍摄物体尺寸小、外观模糊,以及无人机平台自身存在运动等问题,基于无人机航拍视频的运动目标检测与跟踪仍具有很大的挑战性。提出了基于改进LK光流法的运动目标检测与跟踪算法,利用卡尔曼滤波算法进行目标跟踪;针对传统LK光流法在动态环境下效果不佳的问题,引入语义分割线程筛选动态点和静态点,通过筛选后的静态点求解单应矩阵完成无人机的运动补偿、计算动态点的光流值获得光流点以降低误匹配率,最后通过聚类算法和形态学运算得到完整的运动目标;将所提的重识别模块引入卡尔曼滤波算法实现目标跟踪。实验结果验证了所设计的运动目标检测与跟踪算法在无人机视角下能够实时、准确地提取出运动目标,并持续稳定地跟踪目标。

基于CNN和惯性传感器的连续运动检测识别方法

为了提高人体连续运动检测识别的准确率和效率,提出一种基于卷积神经网络(CNN)的识别检测方法。首先,通过3轴加速度传感器采集运动加速度数据,经过滤波、滑动时间窗口和快速傅里叶变换(FFT)获得加速度频谱以及运动模式识别的特征矩阵。通过对多种结构与参数的网络模型的测试、分析与研究,选择双层33卷积核卷积层加双层256×64神经元稠密层的CNN结构,分别对站立、步行、上楼、下楼和跑步5种典型运动和跌倒、倒卧2种异常运动进行识别。结果表明,本文方法对跌倒、倒卧等7种运动的识别准确率大于95%,是人体连续运动检测识别的一种有效的方法;同时本文方法对算力需求较低,可应用于低功耗移动平台。

基于l^(1/2)-TV正则化RPCA的运动目标检测

针对复杂环境下背景干扰导致运动目标检测精度下降的问题,提出了一种基于l^(1/2)-TV正则化RPCA的运动目标检测方法。方法利用核范数来描述背景的低秩特性,采用l^(1/2)范数描述更稀疏的运动目标,以抑制运动目标中的背景干扰。同时结合TV正则化约束运动目标的空间连续性,使运动目标更加完整。利用Frobenius范数检测背景干扰。采用交替方向最小化策略扩展的增广拉格朗日乘子法求解所提出的约束最小化问题。实验结果表明,所提方法能有效去除背景干扰,提高运动目标的检测精度、改善视觉效果。

基于光子晶体结构色传感器的软体机器人运动检测方法

为了解决软体机器人难以实现基于实时反馈信号的精确运动控制的问题,提出了一种基于光子晶体结构色传感器色相的软体机器人运动检测方法。该方法的工作机理在于,当软体机器人活动时,集成在其上的光子晶体结构色传感器颜色会发生变化,通过图像处理技术检测这些色相变化,并根据色相信号和运动状态之间的映射关系,实现对软体机器人运动状态的跟踪监测。色相检测稳定性测试结果表明,不同亮度和饱和度下的平均色相值分别为179.97°、179.67°,标准差分别为0.51、0.36。

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。

基于多普勒偏移补偿的非线性FDA-MIMO雷达运动目标检测算法

非线性频控阵-多输入多输出(Frequency Diverse Array-Multiple Input Multiple Output,FDA-MIMO)雷达具有非线性增加的阵元频偏,使得雷达的距离-角度波束图不再呈现“S”型,而聚焦为点波束,以此将发射能量聚焦到目标位置能够获得更优异的目标检测性能。不过,FDA-MIMO雷达检测运动目标时,由于发射阵元间的频偏与目标速度存在耦合,导致在慢时间维出现多普勒偏移。基于插值滤波的重采样算法能够补偿阵元频偏带来的多普勒偏移,但对于非线性FDA-MIMO雷达,由于阵元间频偏不再是线性变化,上述算法将会失效。本文提出了一种新的算法,可以利用Keystone变换和多普勒偏移补偿的方法,来检测非线性FDA-MIMO雷达中的运动目标。建立了非线性FDA-MIMO雷达运动目标的回波模型,指出了基于插值滤波的重采样算法存在的不足,提出了一种基于速度搜索的算法来补偿非线性FDA-MIMO雷达检测运动目标时出现的多普勒偏移。首先利用Keystone变换消除目标回波的距离徙动,然后根据阵元间频偏构造多普勒补偿函数,利用多普勒补偿函数和各阵元脉压后的回波信号构造速度搜索函数,通过设定合适的速度搜索范围对其进行搜索,当该函数取得峰值时对应的速度即为真实速度,最后利用搜索的速度补偿多普勒偏移后再做相干积累检测目标。仿真结果表明:所提算法可以准确补偿阵元间的多普勒偏移,且在非线性FDA-MIMO雷达体制下的检测性能优于基于插值滤波的重采样算法。

无监督缺失值预测的运动目标检测算法

针对运动目标检测过程中由于背景复杂、目标易发生遮挡而产生的漏检问题,提出一种基于无监督缺失值预测的运动目标检测算法。将漏检的目标视为标签数据中的缺失值,根据待检测目标的类别和数量,利用无监督的生成对抗插补网络(generative adversarial imputation networks,GAIN),通过已获取的标签数据对缺失值进行预测,以牺牲较少的精确率为代价大幅提高召回率。在小样本的牛只特征部位数据集上的实验结果表明,在标签数据缺失率低于40%的情况下,缺失值预测的准确率约为95%,对于不同程度的被遮挡目标,检测的平均F1分数为0.92。该方法在小样本条件下,对运动目标具有较好的检测性能,可减小实际应用中的不确定性,以及算法对样本数据的依赖性,改善运动目标检测过程中的漏检问题。

基于运动目标检测的候车排队时间预测方法研究与实践——以虹桥机场T2航站楼出租车上客区为例

上海虹桥国际机场是虹桥枢纽以及虹桥商务区的重要组成部分,周围陆侧交通设施多样且便捷,配套有轨交、机场巴士、出租车、私家车等陆侧交通方式,具有强大的区域辐射力。其中,出租车由于具备方便快捷等优势正成为许多旅客尤其是夜间航班到港旅客的首选离港交通工具,并造成离港出租车上客区频繁发生排队客流淤积拥挤的现象。文章对现有的运动目标检测技术进行横向对比,以虹桥机场T2航站楼出租车上客区作为研究对象,首先分析了该区域监控视频数据特点,采用改进的结合三帧差分和混合高斯模型的检测算法对运动目标进行提取;接着对运动目标进行分类与跟踪,并测算排队乘客实时上车速度,提出一种基于运动目标检测的候车排队时间预测方法;最后,设计虹桥机场出租车管理信息发布系统,实现对候车客流排队时间预测与关键交通信息的可视化展示。

基于改进ViBe的自适应运动目标检测算法

针对ViBe算法无法去除动态背景,易出现鬼影及不能自适应光照变化的问题,提出一种复杂环境自适应的ViBe改进算法。通过计算区域的复杂度、闪烁波动度,对分类半径R和更新率T进行动态调整,对样本点进行有效性权重的计算,更高效地过滤背景噪声和适应光照渐变;在检测物体状态变化时,动态调整R和T,通过融合前景点计数和帧差法优化鬼影消除;通过识别最小外接矩阵区域差异加快去除鬼影;利用帧差法实时检测光照突变,及时进行重新初始化,避免大量误检。实验结果表明,改进ViBe算法在适应动态背景、光照变化及抑制鬼影等方面比原算法均有更好检测效果,检测精度平均提升了40.7%。

一种针对抖动无人机视频的运动目标检测算法

针对悬浮无人机在运动目标检测中易受抖动影响,导致大量背景噪声的问题,提出一种多尺度的EA-KDE背景差分算法(MEA-KDE)。该算法首先对图像序列进行多尺度分解,以获取多尺度的图像序列。然后,在进行检测之前,通过考虑面积阈值和当前图像帧,计算并更新检测的分割阈值,引入当前图像帧信息。其次,对不同尺度的图像帧采用高低双分割阈值进行背景差分运算,以提高检测的鲁棒性。最后,通过对各尺度的检测结果采用一种自顶向下的融合策略进行融合,以在保留目标的清晰轮廓同时消除噪声。此外,提出的一种边界扩展融合后处理算法有助于减轻检测断裂引起的目标破碎现象。实验结果表明,所提算法能够有效抑制抖动导致的背景噪声。在2个真实拍摄的无人机数据集上,分别获得了0.951和0.952的平均F1分数,相较于原算法分别提高了0.144和0.276。