基于差分和特征不变量的运动目标检测与跟踪

提出了一种基于改进的图像差分算法与特征不变量匹配的目标识别方法。通过三帧差值法获得了更完整清晰的目标轮廓,并基于该轮廓信息构造了一个具有平移、大小和旋转不变性的特征不变量;然后提出动态极值匹配法,利用特征曲线的极值信息点进行识别匹配,并动态替换原特征模版。实验结果表明,该方法能够准确识别目标,显著地提高识别跟踪效率,并且适用于检测运动姿态发生变化的目标。对于分辨率为288×352像素,每像素8位量化的序列图像,处理每帧图像平均用时0.011 74 s,其中特征提取与匹配过程平均用时0.005 476 s,能够实现对运动目标的实时分析,可同时满足运动目标识别跟踪中实时性和准确率的要求。

城市轨道交通智能视频分析关键技术综述

轨道交通是改善城市公共交通状况的有效途径。随着城市轨道交通的快速建设,人们对城市轨道交通的安全问题越来越重视。智能视频分析技术通过对监控视频流的实时分析,对场景中的各种目标进行检测、分类、跟踪,并分析和判断目标的行为,从而能在异常情况发生时可以及时报警、主动防范,提高处理突发事件的效率。主要研究了智能视频分析技术在轨道交通智能视频监控系统中的应用背景及技术框架,总结了智能视频分析中的关键技术的不同实现方法及其常见的算法。

基于改进基音跟踪算法的单通道语音分离

基于计算听觉场景分析(Computational Auditory Scene Analysis,CASA)的语音分离系统通过模拟人耳的听觉感知系统对混合信号进行处理并分离出感兴趣的目标语音,近年来得到了很大的发展。如何在干扰噪声存在的情况下进行正确的基音提取跟踪一直是CASA系统研究的重点。提出了一种基于目标语音源的改进基音跟踪算法。该算法通过对目标源估计和基音检测两个步骤的反复迭代计算,得到最终的基音轨迹。通过在不同噪声干扰条件下与传统基音跟踪算法对比的实验结果证明,该算法能够有效地抑制噪声,提高输出语音的信噪比和语音质量。

基于动态RCS的典型飞机目标识别

工程上常用静态雷达散射截面(RCS)统计特性进行目标识别,但其可分测度小,正确识别率较低。文中在精确获取目标动态RCS序列的基础上,提出了一种基于离散小波能量的特征提取方法,对典型飞机目标进行分类识别。首先,根据空气动力学和运动学方程设定五种典型飞机目标的飞行航迹并解算其实时飞行坐标,从而获取时变的雷达视线姿态角;其次,应用多层快速多极子电磁计算方法仿真各型目标的动态RCS数据;然后,再基于动态RCS序列,计算其位置、分布等统计特征,并进行小波分解和重构,提取各型目标的统计特征和小波能量特征;最后,采用基于距离的类间距离判据,比较两种特征量的分类识别效果。仿真计算结果表明:相对传统的统计特征,离散小波能量特征能完整地体现目标的特征,且可分性测度更大,识别效果更为理想。

Mean Shift跟踪的背景优化及动态分析

针对传统Mean Shift跟踪算法在进行目标跟踪时背景带来的定位偏差及由于缺乏相应的跟踪状态分析策略而易陷入局部最小值的缺陷,提出了两方面的改进措施。一是将跟踪窗口内的目标和背景区分开来,对背景像素定义新的特征模型以弱化背景像素对目标模型的影响。二是将跟踪窗口进行分块处理,综合考虑每个子块相似度的大小变化建立判断准则,对跟踪状态进行动态实时分析,以判断目标是否存在遮挡:如部分遮挡,则应用没有被遮挡的子块位置偏差对目标进行定位;如完全遮挡,则采取相应的二维线性预测方案根据先验信息对目标进行定位跟踪。将该方法应用于人物跟踪中进行实验,实验结果表明,该方法有效改善了Mean Shift跟踪算法的不足,对于复杂条件下的运动目标跟踪具有很好的鲁棒性。

基于精确背景运动补偿的机器人运动目标检测与跟踪

为实现动态场景下机器人快速准确地检测与跟踪运动目标,提出一种基于精确背景补偿的运动目标检测方法,并利用Kalman滤波扩展的KCF算法进行目标跟踪。针对传统ORB算法存在特征点分布不均匀、误匹配率高导致背景补偿效果不佳的问题,采用小波变换及图像分块处理保证提取的特征点数目及均匀分布,通过SURF算法提取具有尺度不变性的特征点并构建ORB描述子。利用KNN算法与对称约束相结合的特征匹配法提高匹配精度,同时引入改进的RANSAC方法精确求解全局运动参数完成背景运动补偿,最后通过帧差法及形态学处理获得完整的运动目标,并将KCF算法融合Kalman滤波实现对被遮挡目标进行再跟踪。实验结果表明:该方法特征匹配正确率达到98.4%,在背景运动状态下能够实时准确地检测出运动目标,并且能够连续稳定地跟踪目标。

视觉动态目标识别研究进展

近年来,基于计算机视觉的动态目标识别的研究和应用逐渐成为热点问题,通过介绍国内外基于计算机视觉的动态目标检测、确认、定位等领域的研究进展,展望目标识别的发展趋势。首先介绍目标识别过程中的典型方法,然后对基于计算机视觉的动态目标识别算法进行分类,接着对各种方法中采用的不同算法技术进行阐述,并分别介绍了各类别中具有代表性的算法及其优缺点,最后就动态目标识别领域的研究难点及发展趋势进行了简要论述。

一种雷达信号处理的检测算法

由于在雷达弱小目标的检测和跟踪过程中,目标是典型的弱小目标且回波较弱,常规的检测算法难以奏效。针对此特点提出采用雷达弱小目标先跟踪后检测的方案,通过对雷达弱小目标长时间积累检测问题进行界定,并根据信号的特殊性对雷达弱小目标进行检测。首先通过进行目标预测,并在此基础上对检测出的目标进行目标跟踪。利用目标的运动沿各种可能轨迹积累能量的特征,对各个能量积累值进行检测判断,从而检测出真实目标并提取出目标的运动轨迹。文中首先对动态规划应用于弱小目标检测的算法进行了详细的描述,同时,对动态规划应用于弱小目标方法的性能也做了进一步分析,并对检测概率和虚警概率关系进行了较详细的推导。最后,通过仿真实验和性能分析得出了门限与虚警概率的关系。

煤矿井下动态目标位置跟踪系统及其实现

给出了一个适合煤矿井下人员与移动设备等动态目标分布式计算机实时监控的位置跟踪系统,介绍了系统结构和定位分析软件、RFID射频传输用于身份识别,群体目标接入技术在身份码检测站、数字编码发射器中的实现方法。

基于运动学分析的反舰导弹弹道识别

海军舰艇面临着日趋严重的反舰导弹威胁,如何进行反舰导弹的弹道识别是现代舰船防御系统需要解决的重要难题。针对此问题,提出了一种基于运动学分析的弹道分段识别方法,它利用交互式多模型方法进行目标航路跟踪,然后采用"累加弦长"的航路拐点检测方法获得弹道分段点,再进行运动模式及其运动特征参数识别。该方法不需要建立复杂的运动模式数学模型,提高了系统的实时性,仿真实验验证本文方法的实用性。

融合SIFT特征和HMM的运动目标识别与跟踪算法

针对动态场景下,由于光照突变、目标旋转以及遮挡等因素容易导致运动目标跟踪丢失,本文提出融合SIFT特征和隐马尔科夫模型算法。将运动目标的SIFT特征作为隐马尔科夫模型训练样本,经训练得到特征最优化的模型参数;通过设定阈值,将模型输出较大计算概率特征样本的集合作为最终目标识别结果,不仅避免了SIFT算法遍历式处理图像像素点带来的大量计算,而且该样本集能够精确反应出目标区域位置信息,从而取代了SIFT算法图像间繁琐的匹配过程,提高目标跟踪的可靠性和稳定性。实验结果表明,目标平均识别率在90%以上,跟踪效果稳定、可靠,具有较好的实时性和鲁棒性。

基于图像绘制技术的红外场景模拟

红外场景模拟可为目标识别、跟踪提供必要的图像样本,对算法的训练、评估和可靠性检验具有十分重要的意义,基于建模的红外模拟方法不一定反映场景的客观情况,并且,计算量大、耗时,难于模拟出有真实感的红外图像。基于图像绘制技术,提出无需建模的基于图像的绘制方法来模拟红外场景图像,根据红外图像的特点,给出了计算基本矩阵的非线性迭代算法和基于特征约束的动态规划立体匹配算法。由于参考图集是实际图像,因此,模拟图像更符合景物的真实情况,并且,该方法无需很复杂的建模过程,利于实时模拟。实验结果表明,该方法可有效地模拟出真实感的红外图像。

二维频域内的运动目标检测方法

传统频域内的运动目标检测算法通常需要设计三维时空滤波器组来实现,存在待选参数多、滤波器设计难度大等问题。文中提出了一种二维频域内的运动目标检测方法,通过对动态图像的行列分解,将三维频域内的运动检测问题转化到两组二维频域内进行,从而降低了滤波器设计的难度。给出了一种提取主运动能量的自适应滤波算法,通过剔除背景和噪声的频率成分,有效地检测出运动目标。仿真结果表明,该方法可有效降低背景配准误差和噪声的影响。

基于动态自适应相关滤波的复杂场景目标跟踪算法

为解决目标变化、场景非均匀照明等复杂场景下的目标跟踪问题,提出了一种复杂场景下基于动态自适应相关滤波的目标跟踪算法。该算法首先构造一组几何失真的目标参考图像的版本,然后基于组合滤波器的思想,将构造的适用于每个图的最优模板组合起来;同时为避免下一帧中预先指定目标预期位置的需要,算法采用基于时间序列的预测机制,通过考虑目标的运动学来提高跟踪精度;最后该算法设计了重新初始化机制,在系统发生故障时算法进行重启。仿真结果表明,所提的算法的跟踪精度和跟踪效率上优于现有的算法,从而验证了所提算法的有效性和可行性。

基于时域和梯度的运动目标识别跟踪算法

针对视频存在噪声干扰及现有算法实时性较差的问题,提出了一种新型的基于时域和梯度的运动目标识别跟踪算法.考虑时间域上视频的形成,用帧差法将图片中的区域划分为变化区域和运动区域;依照2个区域的幅度变化对识别算法进行设计,为了消除背景干扰,对形成的运动区域进行均值滤波;在时域基础上增加了梯度分量,对运动区域形成梯度化轨迹,实现跟踪算法的完整设计.通过实验验证,本算法能够稳定地跟踪前景运动目标,与TLD和CamShift算法相比,在实时性上有明显提升,在耗时上分别缩减12.6%和22.7%.

自适应空间异常的目标跟踪

为了解决判别式空间正则项的目标跟踪算法在遮挡、旋转等因素干扰下失跟率较高的问题,该文提出一种自适应空间异常的目标跟踪算法。首先,在目标函数中加入自适应空间正则项,既缓解了边界效应带来的影响,又提高了滤波器对目标和背景区域的分辨能力;其次,根据每一帧的响应值计算验证分数,分析跟踪结果的可信度和异常情况;最后为目标模型和响应图模型的更新速率实现动态取值。大量实验结果表明,自适应空间异常的目标跟踪算法能够较好地处理背景模糊、形状变化等多种异常情况,具有较高的跟踪性能。

基于粒子滤波框架下的自适应多特征融合目标建模算法

针对单一特征描述目标模型的缺陷,提出了一种多特征融合粒子滤波跟踪算法,该算法采用具有互补性的灰度直方图特征和梯度直方图特征共同描述目标模型;在目标跟踪过程中,根据特征对目标和背景的区分程度,动态地调整每个特征的置信度,对目标模型进行在线动态建模和更新,以提高目标模型描述的准确度,并进一步提高粒子滤波算法的跟踪精度。新算法不仅可以满足目标跟踪的实时性要求,而且可避免特征的冗余,增加目标模型描述的多样性。实验结果验证了新算法的有效性。

D3S技术

D3S技术是在系列图像分析基础上发展形成的多学科的边缘前沿技术 ,已经广泛地应用于气象观测、作物识别、医疗诊断、自动化和机器人导航等领域 ,近来又在目标识别、参数测量、寻的跟踪、交会对接和三维视觉等高技术应用领域取得了很多突破性的研究成果 ,并在地质数据分析和侦察等方面显示出重要应用前景。本文分析总结了D3S技术近

坦克目标识别与运动分析

本文用自适应动态门限对实时图象进行分割,在二值化图象的基础上进行轮廓跟踪。对于坦克目标提出了椭圆模型和轮廓拟合的识别、定位、定向分析方法。计算机模拟实验取得了满意的结果,证实了方法的可行性和有效性。

高速密集视频目标场景下的运动分析

本文首先分析了高速、密集图像目标场景下邻帧差分运动检估计检测法的缺陷 .然后综合图像能量、高阶统计量预测理论以及块处理技术 ,对高速密集图像序列进行快速背景重建、运动区域提取与运动分析 .基于DSP的平台测试表明 :本文背景重建算法速度快 ,运动区域检测精度高 ,目标跟踪准确 .为密集。