增强现实中的视频对象跟踪算法

根据增强现实在视频对象跟踪中的应用需求,提出一种综合利用尺度不变特征变换(SIFT)算子、K聚类算法和轮廓检测的视频对象跟踪算法。该算法利用简易SIFT获得输入图像的特征点,通过K聚类算法获得可能的对象聚类,并采用改进的轮廓处理方法得到对象边界,移除孤立点,确定对象特征点,在对象特征点中获取增强现实应用中需要的注册点。在关键帧匹配中,只要使用对象特征点进行对象匹配。实验结果表明,该算法具有运行速度快、匹配正确率高的特点,能满足增强现实视频应用的注册需求。

一种基于Kal man滤波的视频对象跟踪方法

为了更加准确地预测对象的位置和运动 ,利用刚体运动模型导出最佳Kalman系数 ,通过Kalman反馈滤波器对Moscheni等人提出的视频对象分割与跟踪算法[1] 进行改进 ,提出了一种将离散Kalman滤波技术用于视频序列的对象跟踪方法 .这种方法可用于有关场景描述的各种应用领域中 ,如在机器视觉的研究中 ,对动态场景进行分析与理解 ;在基于对象的视频编码中 (如MPEG 4 ) ,对视频对象进行分割后 ,分别进行编码 ,从而改善编码的可分级性及编码效率 .实验结果表明 ,采用这种方法可以有效地改善时间 空间分割和目标跟踪 ,有助于更好地理解动态场景 ,并表现出良好的鲁棒性 .

基于运动补偿的Snake视频对象跟踪算法

当对象移动幅度大时,Snake视频对象跟踪算法中的曲线迭代过程易陷入局部最小,为此,提出一种运动补偿预处理的解决方法。此方法预先估计对象的运动信息,然后对Snake曲线的初始轮廓位置进行运动补偿,最后进行Snake跟踪。实验表明,这种方法不仅跟踪效果好,而且能有效地减少Snake曲线演化的迭代次数。

基于运动估计的Kalman滤波视频对象跟踪

提出了一种利用Kalman滤波对运动目标的形心进行预测,从而实现视频对象跟踪的算法。首先进行视频对象分割,求出运动目标的形心。再利用视频序列中连续两帧的形心和运动矢量信息,用Kalman滤波对运动目标的形心在下一帧的位置进行预测,从而快速、有效地自动跟踪多个目标对象。实验结果表明,该算法对运动目标的出现和消失,以及非刚性物体的尺度变化和变形,具有较强的鲁棒性。

基于直方图的Snake视频对象跟踪算法

提出了一种基于直方图的Snake视频跟踪算法。该算法是基于相邻帧中对象在直方图信息上的一致性前提条件下,采用LevelSet曲线演化算法来实现的。由于它在Snake能量函数中引入了全局统计特性———直方图信息,从而克服了过去采用均值、方差或运动矢量等局部特征的Snake跟踪算法中的局限性。通过此算法与基于局部特性的Snake跟踪算法的对比实验可以看出,该算法在实际跟踪效果方面有很好的改善。

基于MPEG-4的视频对象跟踪算法

视频编码标准MPEG-4增加了适用于多种应用的基于视频内容的功能,为了支持这一功能和提高编码效率,MPEG-4将视频序列中的每一帧分解成视频对象面(VOP),这需要按照视频对象进行视频图像分割.基于MPEG-4的视频对象分割是MPEG-4标准的核心问题,同时,也是一个非常复杂的问题.为了提高视频序列的分割速度和分割结果的连续性,需要对视频对象进行跟踪.基于视频运动对象跟踪的现状和特点,提出了一种基于视频运动对象区域灰度特征跟踪和轮廓特征跟踪相结合的视频运动跟踪算法,实现了视频对象的实时跟踪.

一种视频对象提取与跟踪的新方法

针对视频对象的分割问题,提出了一种新的视频对象提取与跟踪方法.首先采用分水岭分割和区域合并的方法进行初始分割,再通过光流场估计和全局运动估计计算全局运动的残余误差,在分割的每个区域上利用残余误差数据进行假设检验以确定运动区域,组合所有的运动区域即可提取完整的视频对象.然后使用双向投影的方法在后续帧中快速准确地跟踪视频对象,前向投影用来定位视频对象和简化分割计算,后向投影则用来确定每个分割的区域是否属于跟踪的视频对象.对MPEG-4测试序列的实验结果表明,本方法具有良好的分割性能.

光电跟踪中实时视频对象分割算法

光电跟踪系统研究中难点的问题是实时跟踪目标。针对光电跟踪系统所跟踪的空中目标在视频序列中的特性,将整个跟踪过程划分为远距离段、航前(后)段、航捷段。然后对远距离航段,采取一种弱小目标的动态规划检测算法,及时发现并跟踪目标;在航前(后)段,采取一种基于自适应双波门的视频对象分割算法分割出运动目标,计算出目标形心与跟踪物镜的角偏差,以偏差作为光电跟踪伺服系统的输入信号,驱动跟踪器跟踪目标;在航捷段,将每帧视频变换为一组分辨率从高到低类似金字塔式的分层框架,对目标采取从粗到细的方式进行分割,以实现视频对象占据大部分视窗时的目标快速、准确分割。通过实例验证了所提出的算法的有效性。

结合全局轮廓变形的改进Snake算法

为避免跟踪较大位移和变形对象时易陷入局部极小问题,提出了一种改进的主动轮廓模型Snake算法,并将其用于视频中变形运动对象的跟踪与提取.该文采用L*a*b*颜色空间的彩色梯度图和仿射变换的校正误差计算Snake的外部能量,增强了图像外部特征对Snake的作用.实验结果表明改进后的Snake算法大大提高了Snake跟踪的准确度,并能跟踪发生了较大位移和变形的视频运动对象.