基于帧间差分和金字塔光流法的运动目标检测

针对用于运动目标检测的光流算法存在处理复杂、计算量大等问题,提出一种帧间差分算法和金字塔LK光流法相结合的运动目标检测方案。该方法先对视频图像进行帧间差分处理,得到图像的运动区域,再对该运动区域进行金字塔LK光流计算,减少了计算区域,提高目标检测的速度。最后在搭建的视觉避障平台上使用Lab VIEW语言进行算法程序验证,实验结果证明了算法的有效性。

基于金字塔光流法的移动增强现实三维跟踪注册研究

应用于室外场景识别的移动增强现实系统,需要保持高效且精准的三维注册,从而实现稳定的虚实融合。为了减小复杂场景对目标跟踪的影响,提出一种基于AKAZE和金字塔光流法相结合的三维跟踪注册方法,采用AKAZE算法检测视频流图像的特征点,再用光流法对目标区域进行持续跟踪,实现特征匹配后计算摄像机标定结果,最终完成三维跟踪注册。实验结果表明,该方法能实现实时持续的目标跟踪,同时三维注册效果良好。

光流场水平集视频图像运动目标协同分割法

针对姿态连续变化以及复杂环境影响导致视频图像目标分割欠佳问题,提出了一种结合光流场与水平集的协同分割方法来提取多帧图像中的共同运动目标对象。首先,用L-K金字塔光流场与水平集方法结合,对运动前景进行初始位置估计,得到演化运动目标的初始轮廓;其次,设计基于L-K光流场的运动约束项,控制水平集曲线的演化速度和演化方向,结合帧间运动目标显著图进行最终的运动目标协同分割;最后,在Segtrack数据集上使用5个评估指标与现有的4种典型算法进行对比实验,结果表明所提方法能有效分割复杂背景下的运动目标,与其他协同分割方法相比,分割精度提高了12%~28%,分割误差降低了19%~31%.

基于金字塔 LK 光流法的电梯内异常行为检测

电梯运行环境相对密闭,是打架等异常行为的多发场所。针对电梯轿厢内发生的打架等以方向混乱、动作速度快作为主要特征的异常行为,提出一种基于金字塔LK光流法的异常行为检测方法。首先,获取视频帧中的角点作为特征点,利用光流法预测特征点位置,对运动矢量进行描述并表示成光流图,通过速度大小筛选出有效光流点,消除背景中的噪声光流点干扰,提取运动目标。然后,利用每帧图像中光流点的平均速度与方向直方图熵的乘积定义运动混乱度,作为异常检测的判断依据。最后,设定相应阈值,判断是否发生异常行为。通过对自拍摄的模拟电梯内乘客正常行为和异常行为的数据集进行验证表明,上述方法可以取得良好的检测效果,并且能满足实时性要求。

基于稀疏光流和密度聚类的运动目标检测算法

针对复杂背景下视频存在较多噪声导致运动目标检测结果不准确的情况,提出了一种基于金字塔LK光流法结合DBSCAN聚类的复杂背景中运动目标检测算法。首先,对视频进行金字塔LK光流的运动矢量进行描述并表示成光流图;其次,对光流点进行基于密度的DBSCAN聚类,将复杂背景中的运动背景当成噪声进行剔除;最后,通过光流运动矢量表示运动目标轮廓实现了对视频的真实运动目标的检测和聚类。实验结果表明,上述算法有效地排除复杂背景的干扰,取得很好的运动目标检测效果。

基于金字塔LK光流法及超声传感的微型无人机障碍识别优化研究

针对在有雾或能见度低的情况下,传统的光流算法在微型无人机障碍物辨识过程中准确性低、适应性差等问题,采用了一种基于金字塔LK光流法结合超声传感的避障方法。主要进行金字塔分布式检测,经超声波传感器探测目标,用测得的光流数据与IMU值融合后进行Kalman滤波处理,与设定的阈值进行比较,判断是否为障碍物,以提高微小型无人机障碍物辨识准确性。通过搭建无人机试验平台,对实验结果进行比较、分析,验证了方法的可行性。

基于YOLOv4及金字塔LK光流法的变压器振动检测方法

近年来大规模可再生能源接入变电站带来过载、谐波、短路等问题,导致变压器等重要电力设备故障率增加,寿命缩短。作为电力系统的关键设备之一,变压器的运行状况对电网的安全稳定运行具有重要影响。为了实现变压器的实时状态评估,提出一种基于视频的变压器振动信号实时检测方法。首先利用YOLOv4模型进行变压器目标检测,进一步利用金字塔LK(Lucas Kanade)稀疏光流法以及大津算法(OTSU法)计算得到变压器振动矢量。实验结果表明,在人工合成的变压器振动视频中,该算法可以实时准确计算得到变压器振动矢量,从而实现对变压器状态的实时可靠分析。

一种基于LK光流的动态场景SLAM新方法

针对目前视觉同步定位与建图(V-SLAM)动态场景适应性差的问题,提出了一种结合查找表和金字塔LK光流法的改进单目视觉同步定位与建图方法。该方法通过相邻帧的视差估计图像的移动方向,利用金字塔LK光流法获取光流信息,根据光流大小与阈值的比较检测移动物体,最终结合查找表减少移动物体对后续定位与建图的影响。实验证明该方法可以有效提高定位精度,减少图像的冗余信息和动态目标的影响。能满足视觉SLAM在室内场景下的实时需求,具有较高的准确性、鲁棒性和适应性。

一种改进的数值模式降水预报时间降尺度方法

数值模式降水预报时间降尺度的目的是将较低时间分辨率的模式降水预报通过统计方法降尺度到较高的时间分辨率上,以近似代替较高时间分辨率的模式降水预报。将现有的基于三次样条插值逐点拆分、位置订正、光流动态重构、频率匹配、逐点总量约束的网格降水预报时间降尺度方法(以下简称为“现有方法”)应用于未经订正的数值模式降水预报时,其中的订正步骤受制于数值模式预报的总降水量的约束,所生成的降水预报时间降尺度产品在强度上存在明显的不合理波动。因此,改进设计了一种适用于数值模式降水预报的时间降尺度方法(以下简称为“改进方法”),包含分段三次Hermite插值逐点拆分、金字塔LK光流动态重构、均衡的逐点总量约束三个步骤,不依赖于降水实况订正,且保留了原始模式的系统偏差。利用2020年4—10月中国气象局华东区域中心模式逐1h降水预报场和其累加生成的逐3h降水预报场,分别将其作为数值模式降水预报时间降尺度方法的验证场和输入场,评估对比了单纯的逐点拆分、“现有方法”和“改进方法”的时间降尺度效果,并使用匀速运动的圆形雨带理想模型和真实个例分析分别加以验证。结果表明:(1)“改进方法”所生成的逐1h降水预报在强度分布上更加均衡合理,短时强降水的平均TS评分和BIAS偏差的波动幅度仅为“现有方法”的27%和9%。(2)使用“改进方法”所生成的逐1h降水预报与真实的数值模式生成的逐1h降水预报场更为相似,平均TS评分和BIAS偏差幅度分别提升13%和下降31%以上,且在理想模型中均方根误差相比于“现有方法”总体下降10%。改进的数值模式降水预报时间降尺度方法同时满足运动合理、强度波动合理和降水总量约束的基本要求,可通用于任意网格降水预报的时间降尺度。

基于改进TLD的自动目标跟踪方法

视觉跟踪一直是机器视觉研究热点,TLD(tracking-learning-detection)算法是近年来出现的一种高效的视觉跟踪算法,针对TLD算法中Lucas-Kanade(LK)光流法无法有效跟踪物体快速移动和尺度变化的问题,采用金字塔光流法对TLD算法进行改进。并将所跟踪物体形心作为图像定位参考点,提取物体定位信息,通过定位信息运用比例-积分-微分(proportion-integral-derivative,PID)控制算法控制摄像头舵机云台转向,使摄像头快速、灵活、精确地自动跟踪指定物体。通过系统测试,与传统TLD算法对比,采用金字塔光流法改进的TLD目标跟踪算法在跟踪目标发生光照变化、尺度变化等情况时,具有更加优良的跟踪性能,准确将跟踪目标形心位置提供给控制部分,控制算法高效灵活,在获取信息后精确、快速地控制摄像头方位,使其正对跟踪目标。该系统对目标跟踪技术、安防技术、自动瞄准系统具有重大意义。

一种基于TLD改进的视觉跟踪算法

视觉跟踪是当前计算机视觉的热点问题之一。TLD(Tracking Learning Detecting)算法是一种可以在线学习的新颖视觉跟踪算法。针对算法中跟踪器采用的LK光流法无法捕捉大幅度运动目标的问题,引入图像金字塔模型,提出一种采用金字塔光流法的TLD的改进算法,解决了长时间跟踪中出现运动尺度过大时产生孔径的问题。实验结果表明,算法在复杂场景和大运动条件下,可以长时间准确、快速地实现视觉跟踪,具有较强的适应性和有效性。

“帧平均加速度”人群异常运动检测算法

如何有效地分析、监测突发人群异常状况已成为目前的一个研究热点问题。通过速度值的大小变化来分析是否出现异常状况是目前最常用的人群异常检测方法。但是,除了值的大小之外,运动的方向显然也是速度的另一个重要的特征。研究表明:人群出现异常时,一个最明显现象是人群的运动速度大小或运动方向突然出现变化,例如,由慢速行走转变为迅速奔跑、突然改变行进方向等异常运动。基于此,提出了基于加速度的人群异常检测算法。该算法采用金字塔Lucas-Kanade光流法,通过计算"帧平均加速度"对人群的运动进行分析。实验结果表明所提出的算法能够快速、有效地检测出人群运动的异常,而且相对于单纯运用运动速度值大小进行检测方法,检测结果更准确,应用范围更加广泛。

基于TLD改进的人脸检测跟踪算法

机器学习和模式识别技术目前在军事以及日常生活中应用越来越广泛,该文主要是基于TLD(Tracking Learning Detection)算法的改进完成人脸检测后的自学习与跟踪。TLD算法是一个高效的检测、在线学习、跟踪的系统,其主要是由三部分组成,学习器,跟踪器,检测器,当输入一段视频序列后,同时送入三个部分,当观测到物体的外部特征时检测器对其进行定位,而且修正跟踪器也是其功能之一;跟踪器利用帧到帧变化的运动信息跟踪目标;学习器对检测器进行评估并且更正避免发生同样的错误。跟踪器主要是应用金字塔光流法,而学习器是通过随机森林算法完成在线实时学习。该文的创新之处就是摒弃原TLD算法的通过鼠标选择感兴趣区域的初始化,而采用基于OpenCV的harr特征人脸检测进行初始化。即当在第一帧第一张人脸检测后便对其进行自学习与跟踪。

基于改进卷积神经网络的心理状态预警技术

针对传统问卷法难以真实反映被调查者心理状态的问题,基于光流法和卷积神经网络提出了一种微表情判断方法,并将其作为心理状态预警技术的核心模块。对于数据集中人脸数据离散的问题,该方法采用人眼权重法对图像进行预处理,且通过金字塔光流算法提取预处理图像序列的光流特征,再利用三维卷积神经网络对该特征加以训练。与传统算法相比,所提方法在减少模型训练参数与运算时间的同时还具有更优的学习能力。实验测试结果表明,该算法在CASME数据集上的微表情识别准确率为89.2%,F1值为0.6751,均优于其他对比方法。由此证明,该算法可实现对人脸微表情的准确识别,进而为学生心理状态预警提供客观的数据支撑。

基于人体骨架的电梯内异常行为识别预警

为准确识别乘客在封闭狭小的电梯轿厢内发生的打架等异常行为,避免安全事故的发生,提出一种基于人体骨架联合时空特征的乘客异常行为识别方法。首先,使用YOLOv7对视频中乘客位置进行检测,通过YOLOv7-Pose姿态估计算法提取骨骼关键点坐标,滤除复杂背景干扰;其次,针对异常行为动作幅度大、速度较快、方向混乱的特征,使用SURF联合金字塔分层改进的LK光流法对乘客人体骨架特征信息进行时间、空间的联合特征提取;最后,通过特征点的光流变化来判断轿厢内是否发生异常行为并及时发出警报。本文使用的数据集分别来源于电梯场景下的自建数据集和非电梯场景下行为公开数据集,实验结果表明,本文所提方法对异常行为识别准确率达到了95.53%,在速度与准确度上相较于其他方法有一定的提高,能够满足实时要求,可应用于电梯轿厢的视频监控系统,保障乘客的乘梯安全。

表面流场的PyrLK“角点-质心”法在复杂流场中的应用

粒子匹配方法是准确获取表面流场的关键。本文详细阐述了新近提出的基于光流算法PyrLK"角点-质心"法的基本原理及具体实现过程,采用该方法对弯道水槽中较复杂的表面流场进行计算,并与目前较为先进的匹配几率法进行了对比。结果表明,对于本文所示的复杂流场,匹配几率法计算结果很大程度上依赖于对运动矢量允许偏差等参数的选取,且还会出现由于提取到非示踪粒子的质心并使其参与计算而产生的误匹配;而PyrLK"角点-质心"法只与运动图像特征信息相关,无示踪粒子特定匹配规则的假定,在复杂流场中能较好地实现粒子的跟踪与匹配。与匹配几率法相比,PyrLK"角点-质心"法对于复杂表面流场计算具有更好的适应性。

基于运动信息与Hog特征的伪装色移动目标跟踪

针对复杂背景下伪装色运动目标的跟踪问题,提出一种基于运动信息与梯度方向直方图的跟踪方法。通过金字塔光流法获取视频序列中目标运动矢量范围;利用目标区域的灰度特征以及Hog特征构建特征向量,沿着运动主方向在速度大小范围内进行二分法匹配,进而确定目标的准确位置。实验结果表明,针对平缓变化的视频序列,对于颜色色调范围较大或者边缘结构较为明显的伪装色运动目标具有良好的跟踪效果。

铁路视频序列的FOE的估计

在结构化场景的轨道交通中,车载视频观测因相机平移运动而呈现出图像内容以某点为中心向四周扩散的现象,该点被称为FOE(Focus of Expansion)。当前计算FOE的算法对噪声敏感且计算量大,不能准确地计算铁路场景中的FOE。鉴于此,文中提出一种铁路视频序列的FOE估计方法。该方法首先利用金字塔光流法对检测的Harris角点进行跟踪和粗匹配,并在此基础上利用RANSAC算法进行精确的匹配,求得基础矩阵,然后提取图像中的极线束并计算FOE。实验结果表明,所提算法比Hough直线求得的FOE误差小,适于实时应用。

公共场所人群加速度异常检测系统

针对目前基于速度检测公共场所密集人群异常行为存在的检测准确率低、使用范围局限的问题,从人群的加速度角度对可能导致公共安全事故的人群异常行为进行研究,提出了一种基于加速度检测人群异常行为的算法,并基于该算法实现了针对人群逃散、人群聚集、人群拥挤和人群逆行4种异常行为检测的系统。首先,利用金字塔Lucas-Kanade光流法进行特征点跟踪;然后,在获取到特征点的速度矩阵基础上进一步计算其加速度矩阵,反映速度的整体变化;最后,从加速度大小和方向两方面检测人群异常行为。结果表明,所提算法检测用时较少,相比基于速度检测的对比算法,检测的正确率提高到80%,误报率降低为5%。

基于视觉定位的牧场奶牛自动跟踪定位系统研究

机器视觉已经成为现代畜牧业中的一个重要应用技术,这主要是得益于近年来图像处理技术的快速发展以及计算机的硬件成本不断下降和其运算速度的飞速提升。随着近几年具有高科技的大型奶牛养殖基地的不断兴起,基于机器视觉的奶牛自动定位系统成为新的研究课题。为了解决在牧场中对特定奶牛的定位跟踪问题,笔者提出采用视觉机器人,而视觉定位系统是整个机器人系统的核心和关键。本研究利用高斯金字塔LK光流法实现对奶牛的目标定位及运动跟踪,对传统算法的不足之处进行了总结分析,提出了改进的Harris特征点检测算法。结果表明:改进后的算法不仅在特征点提取效果方面有显著提高,同时具有处理速度快的优点,可为移动奶牛的准确定位做好准备。