一种基于特征点跟踪的电子稳像算法

提出一种基于特征点跟踪的稳像算法。该算法从参考帧图像中提取出一组特征点,然后在后续帧中进行基于Kalman滤波的特征点的跟踪,匹配参考帧图像中特征点的坐标和当前图像中基于Kalman滤波修正后得到的特征点的坐标,并通过仿射模型求出位移量及旋转参数,最后进行反向变换,从而得到稳定的视频图像。实验结果表明:该算法稳像效果好,运算复杂度低,且具有较强的鲁棒性。     

一种基于检测块动态选择的稳像算法

针对包含运动物体视频序列的稳像问题,提出了一种基于运动目标检测的数字稳像算法.该算法运用估计的全局运动参数补偿帧间全局运动,得到运动补偿前帧和当前帧的差值图像,并将差值图像分割成一系列的前景块和背景块,仅跟踪背景块来估计下一轮的全局运动参数.仿真结果表明,提出的稳像算法不仅计算复杂度低,而且估计的全局变换参数具有相当高的帧间变换保真度,可以用于占据半个像面的动目标的视频序列.     

基于角点匹配的电子稳像算法

提出了一种基于角点匹配的电子稳像算法。分析了Harris角点检测的原理。获得角点后,根据相邻帧对应角点的坐标分布,建立当前帧与参考帧的映射关系,并运用仿射变换模型,以最小二乘解的形式获得帧间全局运动估计矢量。最后,采用Kalman滤波器对运动估计矢量作低通滤波,平滑运动参数,获得运动补偿矢量,实现视频序列的实时稳像。实验表明该算法较好地去除了视频序列的高频抖动,同时保留了摄像机的主动运动,稳像后视频序列的峰值信噪比明显提高。     

基于多帧参考的整帧丢失错误掩盖算法

为了解决视频传输中整帧图像丢失的误差扩散问题,提出了一种基于多参考帧运动矢量外推的整帧丢失错误掩盖算法.通过对多个参考帧的运动矢量外推得到丢失块的候选运动矢量集;采用多参考帧边界匹配准则进行丢失帧和其后续帧的误差估计,并选择丢失块的最优运动矢量;最后采用自适应的重叠块运动补偿方法重建丢失帧.实验结果表明,该算法在恢复整帧图像的同时,有效地降低了视频序列中整帧图像丢失的误差扩散影响,与已有算法比较,该算法恢复的视频序列平均峰值信噪比提高了0.5～1dB,具有更好的错误掩盖效果.     

基于多帧参考的整帧丢失错误掩盖算法

为了解决视频传输中整帧图像丢失的误差扩散问题,提出了一种基于多参考帧运动矢量外推的整帧丢失错误掩盖算法.通过对多个参考帧的运动矢量外推得到丢失块的候选运动矢量集|采用多参考帧边界匹配准则进行丢失帧和其后续帧的误差估计,并选择丢失块的最优运动矢量|最后采用自适应的重叠块运动补偿方法重建丢失帧.实验结果表明,该算法在恢复整帧图像的同时,有效地降低了视频序列中整帧图像丢失的误差扩散影响,与已有算法比较,该算法恢复的视频序列平均峰值信噪比提高了0.5~1 dB,具有更好的错误掩盖效果.     

一种基于特征块匹配的电子稳像方法

提出一种基于特征模块匹配的图像稳定的算法.该算法自适应地搜索图像特征模块进行后续稳像操作.在稳像过程中,提出一种图像特征匹配的快速算法,匹配得到局部运动矢量,然后对匹配结果进行一致性检验,最后采用可变窗口宽度的均值滤波法对图像序列运动轨迹滤波.试验表明,该算法有效地稳定了图像序列,并且满足实时性要求.     

一种补偿平移与旋转运动的快速电子稳像算法

针对视频图像序列的非稳特性,研究了电子稳像算法中灰度投影算法和块匹配算法各自的不足之处,提出了一种快速补偿视频图像序列间平移及旋转运动的稳定成像算法.该算法先采用灰度投影算法估计并补偿视频图像序列间的平移运动,再利用拉普拉斯变换在靠近图像的边缘区域选取几个具有明显特征的小块,运用块匹配算法进行匹配,计算并补偿其旋转运动量,以得到稳定的视频图像序列.通过理论分析和实验验证,表明这种稳像算法具有速度快、准确度高的特点.     

基于灰度信息的动场景视频序列中运动对象的提取

提出了一种基于视频序列灰度信息的运动对象提取方法。该方法采用改进的Sobel算子提取边缘图像,依据边缘信息将视频图像分割为不同的灰度连续区域。在各灰度连续区域中,选取特征点进行匹配获得特征点对。根据特征点对合并灰度连续区域,获得全局运动参数。采用具有自适应帧间隔的帧差交集法,获得图像中运动对象区域。结合灰度信息和运动信息,分割出运动对象。实验结果表明,该算法可以有效地将运动对象从视频序列中提取出来。     

基于特征匹配和校验的鲁棒实时电子稳像

提出了一种基于特征点匹配和校验的鲁棒实时电子稳像算法.首先利用Kanade-Lucas-Tomasi角点检测器提取参考帧和当前帧的特征点,并用绝对误差和准则进行特征点匹配|在校验阶段,提出一种能够有效剔除前景运动物体特征点和错误匹配点的空间位置不变准则|最后,在相似运动模型下,利用最小二乘法求解全局运动矢量进行运动补偿.实验证明:该算法满足实时性要求,对视频的平移、旋转、缩放运动都有较好的稳像效果,并对运动物体具有鲁棒性.     

运动背景下的帧间稳像技术

针对运动背景下帧间稳像技术,提出了一种带运动矢量修正的灰度投影运动估计算法。采用该算法分别对当前帧和参考帧的行、列计算灰度投影序列;将当前帧投影序列局部分块,分别将每一分块与参考帧行、列投影曲线进行互相关计算,得到基于局部投影的行、列运动矢量集合;以分块区域的相关置信度为权系数衡量参数,计算每一分块的像素位移权值,从而计算某一方向帧间的加权运动矢量。实验结果表明:该方法可以使运动目标造成的影响只作用于其中若干个局部分块,而其他分块不受此影响,尽可能保证稳像的准确性。采用该方法稳像后的图像与参考帧图像的均方根误差(RMSE)值明显下降,与参考帧图像更加吻合。     

一种鲁棒的目标跟踪方法

针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.     

一种鲁棒的目标跟踪方法

针对传统特征光流场跟踪方法中由于误差积累和错误匹配而导致的特征点丢失问题,基于一种新的Harris-SIFT特征点表示方法,提出基于预测帧与关键帧的算法框架,实现了光流场运动估计与局部特征识别相结合的目标跟踪方法.预测帧利用塔式分解和递归算法计算特征点的光流场运动矢量,使用运动矢量直方图获取目标的运动矢量,并剔除误匹配点;当特征点数量小于5个时,关键帧使用Harris-SIFT特征点进行局部特征匹配,利用仿射模型对目标精确定位及姿态修正.实验结果表明,本方法对视频序列中的纹理特征目标跟踪的鲁棒性较好,在背景复杂、目标遮挡或暂时丢失情况下,仍可以继续完成目标的可靠跟踪.     

基于特征匹配和校验的鲁棒实时电子稳像

提出了一种基于特征点匹配和校验的鲁棒实时电子稳像算法.首先利用Kanade-LucasTomasi角点检测器提取参考帧和当前帧的特征点,并用绝对误差和准则进行特征点匹配;在校验阶段,提出一种能够有效剔除前景运动物体特征点和错误匹配点的空间位置不变准则;最后,在相似运动模型下,利用最小二乘法求解全局运动矢量进行运动补偿....     

基于特征匹配的快速鲁棒数字稳像

针对手持移动摄像装置拍摄视频序列相邻帧间存在平移、小角度旋转运动,而且易受噪声、光照变化的影响等问题,提出一种基于优化Oriented FAST and rotated BRIEF(ORB)特征匹配的实时鲁棒电子稳像算法。对相邻帧预处理后用Oriented FAST算子检测特征点,再用Rotated BRIEF描述提取的特征点并采用近邻汉明距离匹配特征点对,然后采用级联滤波去除误匹配点对,最后使用迭代最小二乘法(ILSM)拟合模型参量进行运动补偿实现稳像。图像匹配测试和稳像实验结果表明:基于改进的ORB算法的电子稳像方法补偿每一帧的时间均小于0.1 s,定位精度可达亚像素级,能有效补偿帧间平移旋转运动,而且对噪声和光照变化有较强鲁棒性。经稳像处理后,实拍视频质量明显提高,峰值信噪比（PSNR）平均提高了10 db。     

一种基于灰度投影算法的电子稳像方法

针对图像序列的抖动,研究了摄像机的抖动和正常扫描这两种运动的特点,提出了一种带运动修正的投影稳像算法PMCA.该算法首先利用灰度投影算法求出原始序列运动矢量,然后采用平均值滤波对这些运动矢量进行了处理,为了防止由前一稳定帧补偿带来的错误传播,又做了运动修正,使用原始帧代替稳定帧作为待补偿帧.实验结果表明PMCA算法可以明显减轻序列抖动现象,而且能实时跟随真实扫描场景.     

高精度全景补偿电子稳像

针对摄像机拍摄目标过程中自身的随机抖动造成的视频序列不稳定,以及稳像补偿过程中边缘信息的丢失,提出了基于SURF（Speed-up Robust Feature）算法的全景电子稳像方法。首先,运用SURF算法提取当前帧图像和参考帧图像的兴趣点,将两幅图像的兴趣点进行匹配,建立两帧的对应关系。针对兴趣点数目较少及场景中部分区域特征相似的情况,引入了兴趣点位移一致性抑制策略,改进了RANSAC（RANdom SAmple Consensus）误匹配的剔除算法,使得运动矢量的精确度小于1 pixel。然后,判定参考帧的更新策略,获取平滑的运动变量。最后,进行运动补偿,运用图像镶嵌技术对丢失的边缘区域信息进行全景补偿,得到了高精度的全景稳像结果,实验得到的输出视频峰值信噪比（PSNR）提高了33.1%。     

Self-calibration of multi-camera networks without feature correspondence between different cameras

An automatic calibration approach for multi-camera networks is proposed to calibrate the intrinsic parameters of each camera and the extrinsic parameters between different cameras. Firstly, the moving objects are tracking, and the feature points are detected and calculated by a matching method from image sequences. And then we estimate the intrinsic parameters of each camera respectively by a self-calibration method from the motion of feature points, while estimating the rotation and translation of each camera with respect to the object. Thirdly, we estimate the extrinsic parameters between different cameras from the rotation and the motion of each camera with respect to the object. Our method only needs to track the motion of objects in each camera without the correspondence between different cameras. It avoids the difficulty of the correspondence between different cameras in real networks. Experiments with simulated data and real images are carried out to verify the theoretical correctness and numerical robustness.     

Robust visual tracking base on adaptively multi-feature fusion and particle filter

In order to avoid the tracking failure based on single feature under the conditions of cluttered backgrounds illumination changes, a robust tracking algorithm was proposed based on adaptively multi-feature fusion and particle filter. Color histogram was used to describe the overall distribution characteristics of the target and histogram of oriented gradients containing some construction information and LBP is very effective to describe the image texture features. The Three features were fused in the frame of particle filter. Meanwhile, the weights of each feature were adjusted dynamically. The experimental results show that with adaptive fusion, the tracker becomes more robust to illumination changes, pose variations, partial occlusions, cluttered backgrounds and camera motion.