基于均值聚类和几何关系的运动背景估计算法研究

为了在动态场景图像序列中准确地完成全局运动估计,实现对运动背景的补偿,提出了基于均值聚类和几何关系的运动背景估计算法。首先,利用Harris算法提取两帧图像的特征点,建立特征点匹配对。其次,利用K-means聚类算法去除在匹配过程中存在的明显错误的特征点对。再次,利用三角几何关系去除位于运动目标上的特征点。最后,利用随机样本一致(RANdom SAmple Consensus,RANSAC)算法和最小二乘方法求出运动参数。分析实验结果得出:本文算法比原始算法的峰值信噪比提高了5%左右,所耗时间减少了50ms。实验结果表明:该算法能更加精确的实现运动背景估计,提高了运动背景估计的鲁棒性,同时提高了计算速度。

快速稳健的背景运动场估计方法

从运动背景中检测与跟踪运动目标是计算机视觉研究领域的热点 ,其中的困难之一是消除运动背景的影响。提出一种基于均匀稀疏采样减少仿射变换参数估计计算量的快速方法 ,并且利用Huber函数对误差的敏感度不同的特性 ,使得背景的仿射参数估计过程只对背景像素点敏感 ,减少了前景运动物体对参数估计造成的误差 。

一种结合背景运动估计的目标运动预测方法

在复杂背景下的目标跟踪过程中,通常会遇到目标被遮挡的情况,此时依靠单一的跟踪算法无法解决上述问题。在静止背景下,利用目标的历史运动轨迹,可以解决短时间遮挡的问题,但在运动平台上,由于相机运动和目标运动同时存在,目标的运动轨迹无法利用,因此本文创新地引入了KLT稀疏光流场算法,对两帧之间的大量特征点进行跟踪匹配,通过随机采样一致性算法鲁棒地估计出两幅图像之间的变换参数,对由相机移动引起的背景运动进行补偿,转换为静止背景下的运动目标估计。实验结果表明,该方法可以有效地解决目标遮挡问题,并成功应用到机载目标跟踪平台。

基于扩展的Kanade-Lucas的背景运动参数估计

复杂背景下运动分析首先需要进行背景运动参数估计。提出一种采用KLT算子并结合Kanade-Lucas跟踪算法来计算帧间特征点的匹配,然后利用帧间特征点间的匹配关系采用RANSAC算法来进行背景运动参数估计。实验结果证明这种方法具有计算量小,能实时实现并提供可靠的背景运动模型估计。

改进SIFT匹配的动态背景下运动目标检测算法

无人机/车载运动目标检测与识别系统由于存在摄像机运动,使得场景中的背景与前景目标同时发生运动,增加了运动目标检测的难度。目前,动态背景下运动目标检测的主要方法是利用特征点的运动估计来补偿背景的运动。针对尺度不变特征变换(SIFT)特征匹配算法存在耗时长、误匹配率大,使得背景运动估计不准确,进而影响运动目标检测效果。提出了一种改进的SIFT特征匹配算法——先剔除容易丢失的边缘特征点,再利用最近邻点与次近邻点的欧式距离比确定匹配点,并用RANSAC删除运动目标上和误匹配点对,进一步实现背景运动的准确估计,从而检测得到运动目标的准确位置。试验结果表明:改进的特征点匹配算法在匹配准确度和运算速度上均优于传统SIFT特征匹配算法的性能。最终,通过背景补偿,有效消除了相机运动引入的动态误差,提高了运动目标检测的实时性和精度。

航拍图像序列的多运动目标定位

针对航拍图像序列中运动目标使用仿射模型来描述航拍图像序列中的背景运动 ,提出了一种基于稀疏采样的局部补偿误差函数泰勒展开算法 ,该算法能有效地估计出模型参数 ;又根据图象序列中背景运动与目标运动的矢量不一致的特点 ,采用矢量聚类的算法 ,实现了对多个目标的准确定位 .提出的算法对噪声和光照都具有强抑制性 ,可以在图像质量相对较差时 ,能确保对运动目标的快速定位 .

一种适用于动态背景下的改进Camshift算法

针对摄像机运动下的目标跟踪问题,提出了一种适用于动态背景下的改进的Camshift算法.该算法用基于背景运动参数估计的二次差分法进行目标提取,跟踪过程则融合精简的主色调直方图和对遮挡与背景目标颜色相近情况具有鲁棒性的边缘方向直方图作为目标特征,以所得质心为初始搜索点,进行目标模板和候选目标相似性检测,搜索最佳匹配点得到目标对象在当前帧的准确位置.在动态背景下,该算法显著地提高了跟踪的准确性和鲁棒性.

块匹配算法中特征块的选取方法研究

运动背景补偿是红外序列图像目标跟踪的基础,首先分析块匹配法原理及其误匹配现象产生的原因;然后提出3种定义块的复杂度的方法,据此快速选取用于背景运动估计的特征块群;最后经过外场实测图像验证,基于图像梯度特征定义块的复杂度能够比较准确地估计出背景的运动矢量,且性能优于其他两种方法。