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。

自动分割及跟踪视频运动对象的一种实现方法

随着 MPEG- 4压缩标准的制定 ,分割及跟踪视频运动对象的研究显得极其重要 .在 MPEG- 4视频编码标准中 ,为了实现基于视频内容的交互功能 ,其视频序列的每一帧由视频对象面 ( VOP)来表示 .为了生成视频对象面 ,需要对视频序列中的运动对象进行有效的分割 ;并跟踪运动对象随时间的变化 ,为此提出并实现了一种用于分割及跟踪视频运动对象的时空联合方法 .该方法首先采用连续帧间差的 4次统计量假设检验 ,确定运动对象的位置 ,自动地分离出运动区域与背景区域 ;在运动区域内 ,采用数学形态学的分水线算法来精确地提取运动对象的轮廓 ;最后 ,将提取到的运动对象作为模板 ,对后续的视频序列 ,用 Hausdorff距离度量 ,来跟踪并提取后续帧中运动对象 .实验结果表明 ,该方法能有效地分割和跟踪视频运动对象 ,且能有效减少计算复杂度 ,其调整参数也较少 .

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。

一种基于协方差估计的均值偏移对象跟踪算法

针对现有运动目标跟踪算法对目标大小、形状变化的适应能力较差,且不能对目标的旋转进行跟踪的问题,提出一种改进的目标跟踪算法。该算法是均值偏移算法的进一步扩展和延伸,在估计目标位置的同时用协方差矩阵来描述目标形状,结合色彩直方图,处理对象的角度和形状、大小发生变化时的跟踪问题。实验结果表明:改进的算法在不同环境下跟踪目标的鲁棒性很好,极大地提高了跟踪精度,具有很强的实用性。

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。

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。

一种基于对象跟踪的视频分割算法

在新一代MPEG-4视频编码标准中,为了支持面向对象编码和实现基于内容的应用,视频分割成为关键技术之一,而半自动的视频分割是常用而且比较精确的一种分割方法.本文提出一种基于对象跟踪的半自动视频分割算法.该算法在用户的参与下,基于图像的时空信息,进行视频对象(VOP)的分割.实验结果表明,该算法能够较精确地连续分割出视频对象.

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。

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 .

多视频运动对象实时分割及跟踪技术

利用帧间差异积累信息进行自适应背景建模,采用背景差的方法检测视频运动对象区域.设计了一种变系数的空域滤波器,有效地对背景差图像进行了增强,使获得的视频运动对象区域更具有空域连通特性.给出了一种改进的基于Otsu法的自适应阈值化方法,能更准确地对背景差图像进行阈值化.采用形态学边界提取技术对视频运动对象轮廓进行提取.在获得视频运动对象轮廓的基础上,用区域生长法对视频运动对象进行定位,将矩形中心坐标视为视频运动对象的质心坐标.用基于空间欧氏距离最短的方法对每个视频运动对象质心进行关联跟踪并绘制轨迹.试验结果表明,该方法实时有效.

无线传感器网络中一种能源有效的移动对象跟踪方法

提出了一个能源有效的对象跟踪方法(EETA,energy efficient tracking algorithm),引入了事件驱动的睡眠调度机制,保证实时跟踪的同时最大限度地降低网络能量消耗。将对象运动轨迹模型转化为感知节点状态判定问题,使分布式对象位置预测算法的计算复杂性降低到O(N)。同时采用改进的加权质心算法在O(N)时间内计算跟踪对象的精确位置。在64个传感器节点上实现了该系统,结果表明EETA方法可以有效节省系统能量,同时保证分布式跟踪系统实时性、高精度及低计算复杂性的要求。

基于图像分割和对象跟踪的新闻视频镜头边界检测方法

镜头边界检测是许多多媒体应用的一个重要步骤,而现有的镜头边界检测方法大都是首先提取视频帧低层视觉特征,然后构造相异性测度函数,但由于这些方法对低层特征变化、对象运动、摄像机运动和视频质量较敏感,为克服此问题,提出了一种基于图像分割和对象跟踪的镜头边界检测方法。该方法首先采用分区直方图对镜头进行预检,然后利用基于小波分析的无监督图像分割和对象跟踪技术,通过构造相异性测度函数来对镜头边界进行确认。由于分区直方图方法作为第1过滤器,可有效地减少图像分割和对象跟踪的视频帧数目,从而提高了整个算法的效率,而基于小波变换的无监督图像分割和对象跟踪,则对以上问题具有较好的鲁棒性。在3个多小时的CCTV和CNN新闻视频实验中,获得了97.2%查准率和96.4%的查全率。

在线学习多重检测的可视对象跟踪方法

为了研究无约束环境下长时间可视跟踪问题,提出了一种在线学习多重检测的对象跟踪方法.该方法以随机蕨作为基础检测器结构,通过在线学习的方式,将目标对象的整体和局部表观,以及由场景学习中发掘的同步对象同时作为检测学习的基础数据,该检测器因而具备了对这多种对象的独立检测能力.由于其各个检测部分发挥了各自不同的作用,本文从测量的角度将检测器对这三种对象检测的结果进行融合,通过计算检测关于目标的配置概率进而确定目标位置,实现对象跟踪任务.基于真实视频序列的实验结果验证了本文方法的有效性和稳定性,以及较现有的跟踪方法在跟踪性能上的提高.

视频对象分割及跟踪方法研究

讨论和分析了视频对象全自动提取及后续帧中的跟踪过程及采用的方法 ,对其算法、分割性能和结果进行了比较和评述。并结合Hausdorff和Snake跟踪器 ,对初始对象轮廓进行跟踪。结果证明 。

利用区域变形和背景更新实现运动对象跟踪

从时域统计的角度出发,提出了一种结合自适应混合背景更新模型的区域变形跟踪算法 该算法以模型更新得到的前景 背景二值分割掩膜作为区域特征,将跟踪问题抽象为一个水平集(LevelSet)偏微分方程的数值求解问题,并分析了算法的自适应性为了进一步提高算法的实现效率,引入了窄带跟踪方案实验表明。

基于差分交集的视频对象分割与跟踪算法

视频对象分割算法的性能好坏将直接影响MPEG 4编码产品的质量。连续两次差分后自适应处理,对差分图像取交集获得运动对象的边界,形态学处理后最终获取运动目标。基于改进的Hausdorff距离度量法对后续帧中视频对象进行跟踪。实验结果证明,该方法能够从背景不变的图像序列中较好的提取出运动对象,具有较强的鲁棒性。

基于变化检测的视频对象提取及后继帧的对象跟踪

提出一种多尺度帧间边界变化检测方法,将当前图像划分为变化区域和非变化区域,变化区域内采用基于Hausdorff距离跟踪器找到对象在后继帧的最佳匹配位置;然后利用Snake模型拟合该位置上的非刚性形变,得到对象真实边缘;最后采用一种基于距离变换的最短路径法使开环闭合。

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.

基于静止分割和运动矢量的对象跟踪

运动对象的分割和跟踪是视频图象处理的一个很重要和困难的部分。提出一种非常有效的对象跟踪算法,能够检测到当前帧给定区域的对象并跟踪,不需要事先了解此对象的空间时域的信息也不需要进行镜头运动补偿。静止分割采用算法,而运动矢量采用块-,Watershed匹配法。尽管所要跟踪对象会经历某些形变,依旧能获得较好的结果。

基于霍夫蕨的实时对象跟踪方法

基于霍夫变换方法难以在保持高检测精度的同时满足跟踪的实时性,且难以适应初始训练样例十分有限的情况,为解决上述问题,提出一种基于霍夫蕨的对象跟踪方法.该方法以随机蕨作为基础检测结构,将对象的局部表观作为学习数据,在其每个叶节点中计算并保存霍夫空间中属于目标对象的投票概率,在运行时通过在线学习该检测器和对象模型,适应对象表观的变化.结合对TLD跟踪框架的改进,实现了无约束环境下长时间的可视跟踪.在Babenko视频序列集上的实验结果表明,提出的对象跟踪方法在普通PC上的平均运行速率为3帧/s,平均准确率为87.1%,总体上优于现有的跟踪方法.