基于光流计算的运动目标跟踪方法研究

本文在研究光流原理的基础上,采用光流计算和分析对运动目标进行了较为准确的跟踪。首先对图像进行预处理,包括图像的灰度化,阈值分割和边缘提取;其次通过改进的Lucas-Kanade光流法实现运动目标的检测;最后,求取目标特征点的重心和各点到重心的距离,通过设定合适的阈值,画出目标的跟踪矩形框,从而完成目标的跟踪。     

基于四旋翼飞行器的改进金字塔LK光流算法的研究

针对四旋翼飞行器在飞行过程的水平漂移问题,提出利用改进的金字塔LK光流算法予以改善.首先,通过VisualStudio2013仿真,确知改进的金字塔LK光流算法比传统金字塔LK光流算法对图像的速度信息提取精度更高.然后,再建立四旋翼飞行器的动力学模型,将两种光流算法导入MATLAB的仿真模型中,得出:四旋翼飞行器能有效根据改进的金字塔LK光流算法获得速度信息以降低水平漂移.最后,通过在轴距为430 mm的四旋翼飞行器的平台上进行飞行试验,结果表明:采用改进的金字塔LK光流算法能使四旋翼飞行器的水平漂移程度降低,可实现较为稳定的悬停.     

第四代无线基础架构的离散式SerDes解决方案

高端智能型手机与其供应生态系统显现出一个事实：消费者需要的移动宽带及应用必须能协助他们紧密地链接信息、家人与好友。因此,移动宽带已成为现今电信产业成长最显著的部分。即使经济成长趋缓,电信业者近年来在无线数据方面的营收仍大幅增加。     

光流法在运动目标识别领域的理论与应用

在介绍运动检测以及光流的基本概念的基础上引出基于光流方程的两种常用的图像分析方法—梯度法、块匹配法;通过对光流法在红外图像序列的运动目标检测、活动轮廓模型以及医学图像处理方面的应用来阐述这两种光流法的优缺点进行分析从而得出光流法在运动图像识别领域具有较大的优势,最后对光流法在未来其他领域的应用提出展望.     

基于光流与Mean Shift算法的运动目标检测

为了改善传统光流法不能很好地解决背景运动带来影响的问题,提出了一种基于光流矢量与Mean Shift算法的运动目标检测方法。结合图像中边缘信息和灰度信息,用金字塔法计算出特定像素点的Lucas-Kanade光流矢量。再利用Mean Shift算法的梯度搜索原理找出运动背景的光流矢量,进而找出运动目标的光流矢量。实验结果表明,融入Mean Shift算法后的光流法高精度地检测出了目标,显著降低背景运动所带来的影响。文中所提方法比传统几种方法更加准确地得到了所需结果。     

实时目标检测与跟踪系统的设计与实现

针对固定监控场景设计并实现了一个实时的运动目标检测与跟踪系统.在复杂背景下,改进的三帧差分法能准确、快速检测出运动目标.金字塔图像的Lucas Kanade光流法跟踪目标容易丢失;传统的模板匹配跟踪方法由于对图像利用率高,其跟踪比较准确,但计算量大.文章将两者结合起来,可以避免上述问题.实验表明,该算法能较好地实现目标跟踪、获得目标运动轨迹,且具有良好的实时性和鲁棒性.     

基于光流方程和目标匹配的视频图像目标跟踪方法

提出一种利用图像差分、局部光流法和目标匹配,实现视频对象目标提取和跟踪的方法.首先,对预处理后的图像进行差分;在差分的基础上,运用局部光流场对目标进行运动估计;对估计结果依据相似度进行聚类分析,消除小的非目标区域;当目标未发生剧烈变化时,更新目标模板,否则,利用已有目标模板进行匹配跟踪.实验结果验证了该算法的有效性,并实现了目标变形和部分遮挡时的稳定跟踪.     

基于隔帧差分区域光流法的运动目标检测

结合运动目标检测帧差法运算速度快和光流法动目标检测准确度高的特点,提出了一种基于隔帧差分区域光流计算的运动目标检测方法.该方法通过隔帧帧差方法先提取运动区域,然后只对运动区域进行光流计算,减少了计算区域,提高了速度;在光流场计算时,对梯度较大和较小的点处,分别采用基本等式约束和光滑准则约束的方法,提高了动目标检测的准确性,另外在光流迭代运算中增加惯性项,减少了迭代次数,进一步提高了检测速度.实验结果验证了该方法的有效性.     

基于区域卷积神经网络和光流法的目标跟踪

为解决基于深度学习的在线目标跟踪算法速度慢的问题,设计并实现了一种基于区域卷积网络和光流法相结合的目标跟踪算法。该算法在T-1帧跟踪结果的基础上使用光流法计算跟踪目标的运动矢量计算出跟踪目标在T帧上的初选框,再将初选框区域作为区域卷积网络的输入,计算目标的精确跟踪结果。通过实验分析对比,算法对目标运动速度和形变具有很好的鲁棒性,并且跟踪速度可以达到50 frame/s。相较于在线跟踪算法,所提方法在满足较高的跟踪准确率的基础上大大提升了目标跟踪算法的速度。     

基于改进LK光流的目标跟踪算法研究

为了可以在复杂环境下对运动目标进行有效的跟踪,因此对LK(Lucas-Kanade)算法进行了研究并改进。改进的算法采用LK图像配准算法检测目标的状态,可以满足算法对实时性的要求;采用前向后向光流法作为LK框架,使得算法具有自评估能力,不易陷入局部极小值;将压缩感知理论引入LK算法进行目标跟踪,通过对校准误差的L1范数进行最小化来计算目标的状态参数,使得算法可以应对目标外观的变化;引入卡尔曼滤波器作为运动模型,先对物体的位置进行预测,然后再进行分类和检测,能有效地应对由于模板更新而产生的漂移问题。通过大量的实验对算法进行验证,该算法与现有算法相比处理目标在跟踪过程中的外观变化以及环境中的遮挡、光照变化等问题时,仍有较好的性能。     

一种复杂背景下运动小目标的检测方法

本文将小目标的帧间信息和光流法紧密联系起来,把小目标的检测分为小目标的预处理、帧间差分和使用金字塔迭代Lucas-Kanade的光流法确定目标三个步骤进行．实验结果表明,该方法能够有效地检测运动小目标．     

YOLOv5与光流相结合的红外小目标检测算法

针对运动场景下红外小目标轨迹提取不准确的问题,提出采用YOLOv5与光流相结合的方法校正目标轨迹.首先YOLOv5网络,然后对比了LK和HS两种光流算法通过单样本K-S检验计算分布拟合度,构建Q-Q图得到平台真实运动量,最后结合YOLOv5校正目标轨迹.实验结果表明,LK算法更适合红外图像光流值的提取,YOLOv5与光...     

基于改进光流算法的运动目标检测技术研究

常用的运动目标检测算法有背景减除法、帧间差分法和光流法,针对背景减除法的背景模型需要实时更新,帧间差分法检测到的目标不完整,本文提出将Lucas-Kanade光流法与最大类间方差的图像分割法相结合的算法,即首先对连续两帧图像进行Lucas-Kanade光流计算,再对其进行最大类间方差图像分割,将光流不连续的区域视为运动目标,光流连续的区域视为背景,最后进行形态学处理,完成运动目标的检测过程.通过Matlab实验仿真,验证了本文所提算法能提取更完整的运动目标,检测效果较好.     

浅谈视频图像序列运动目标的检测方法

视频图像序列运动目标检测是计算机视觉研究的重要组成部分,广泛应用于交通、医学等领域。文章主要论述了常用的三种检测方法:帧间差分法、背景减法、光流法。     

基于角点检测的光流目标跟踪算法

为了解决传统目标跟踪算法在目标发生旋转、变形等情况下容易丢失的缺陷,提出了首先使用Harris角点算法提取几个目标角点特征,光流法进行匹配点配准,最后采用重心算法确定目标脱靶量的跟踪方法.利用了角点提取算法具有运算速度快且能代表目标形状特征的特点以及光流配准具有匹配精度高的优点.实验结果表明,该方法具有较高的跟踪精度,对于目标旋转、变形、遮挡都具有很高的鲁棒性.     

基于积分滑模和ESO的四旋翼无人机容错控制

针对四旋翼无人机桨叶损伤故障的位置和姿态控制问题,设计一种基于积分滑模法和扩张状态观测器(ESO)的四旋翼无人机主动容错控制系统.建立了执行机构损伤故障下的无人机非线性模型,采用抗干扰能力较强的滑模控制法(SMC)设计姿态内环和位置外环基本控制器;为减小系统的稳态误差,引入积分环节,构造出积分滑模控制器;通过采用边界层...     

基于多重网格法的变分光流计算

光流是计算机视觉的重要组成部分,光流法是运动图像序列分析的重要方法,在许多应用中需要精确的估计,而基于变分的光流计算则能满足上述要求.提出一种新的变分模型,并将多重网格法运用于模型的计算,以最快速度求解线性方程组,近乎实时地得到图像序列的光流场.实验表明该方法是有效的.     

智能视频监控图像中运动目标检测方法的研究

描述了智能视频监控系统的概念及其研究意义。介绍了监控图像中运动目标检测的几种方法,阐述了他们各自的基本原理和优缺点。讨论了目前运动目标检测所面临的主要问题和困难,并展望了该领域的发展趋势。     

基于帧间差分和金字塔LK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LabVIEW语言进行算法程序验证,实验结果证明了算法的有效性.     

LK光流法的多信息融合目标跟踪算法研究

针对改善动态目标物体跟踪过程中特征点选取的准确性及实时性问题,提出一种基于LK光流法的多信息融合目标跟踪方法并设计相关算法。将Sift提取出的特征点作为初始特征点,结合Harris角点检测函数R值,通过设定阈值,从中选取出具有高对比度的特征点作为目标特征点,对其进行光流法跟踪;然后引入在线学习检测器,使得在跟踪器跟踪失败之后可以更新目标位置,以实现稳定、准确跟踪。实验的结果从动态目标识别所需时间、特征点的数量、交并比以及每秒处理的帧数几个方面进行比较分析,证明所提算法能够实现准确跟踪,且实时性强。