王东升[1]2004年在《视频运动目标检测及其实时处理系统研究》文中研究说明视频运动目标检测是数字视频处理、分析应用的一个重要领域,在民用和军事上有着广泛的应用。随着微电子技术的迅猛发展,数字信号处理器件的工作速度越来越快,同时视频目标实时处理技术的研究也得到相应突破,使得视频目标实时处理成为可能,并成为当前研究的热点。 本文的主要工作在于系统地研究了视频图像中运动目标检测方法及其实时实现技术。提出了视频运动目标检测系统的理论模型,为视频运动目标的描述与处理建立了相应的理论基础和数学描述。 系统在伺服机构的控制下对运动目标进行跟踪检测时,往往伴随着摄像机的跟踪运动,这将导致视频背景的相应运动,这种运动表现为全局运动。为了将目标运动与背景运动区分开来,就需要对背景的全局运动进行补偿。本文提出一种可在FPGA上实时实现的基于匹配加权函数和多分辨率分析的视频背景运动补偿技术。该技术采用基于平行投影的六参数仿射模型,用块匹配准则估计稀疏样本点集的全局运动,提出一种加权匹配函数的算法消除目标点对背景全局运动参数估计的干扰。为了满足系统处理的精确性和实时性要求,在算法实现上,采用多分辨率的分级搜索策略,在系统实现上,研究了一种并行流水线的处理结构。 本文提出一种基于马尔可夫(Markov)随机场模型的视频运动目标多级检测技术。利用背景全局运动与目标局部运动的差异、运动目标具有空间凝聚性和视频图像序列时域的短时平稳性等特征对目标进行多级检测。首先对序列图像中当前帧进行全局运动估计和背景运动补偿校正,并将校正后的当前帧与前一帧进行差分检测。然后利用Neyman-Pearson准则在差分图像上进行初始分割提取出运动存在区域。根据提取的运动存在区域研究了一种在差分域中基于马尔可夫(Markov)随机场模型的区域生长算法,获得了视频对象的二值化分割模板,该区域生长算法克服了通常的时域生长算法只利用图像灰度信息的缺点,有效的利用了图像分布的统计特性。实验结果表明,该检测技术取得了较好的检测效果。 阈值化检测方法由于计算简单运算效率高是实时目标检测常用的方法。研究结果表明,以类间方差最大为聚类准则的阈值检测方法在像素分类错误率、被分区域均匀性等方面性能较好。当待分割对象面积超过整个图像面积的30%时,分割性能接近最优值。本文研究了一种基于遗传算法
张贝贝[2]2008年在《视频运动目标跟踪系统研究》文中指出视频中运动目标跟踪是计算机视觉领域中富有挑战性的课题之一,在军事制导、视觉导航、安全监控、智能交通、视频编码、医疗诊断和气象分析等众多领域中有着广阔的应用前景,跟踪算法的研究具有重要的实际意义和理论价值。视频运动目标跟踪系统包括两个重要部分:运动目标检测与跟踪。本文的主要工作如下:在运动目标检测方面,主要包括基于帧间差分法,基于背景差分的方法和基于光流场的方法。本文根据所处理的视频图像的特点,采用了基于多帧边缘差异的目标检测算法。该算法利用一组帧的边缘差异来提取运动对象区域,通过聚类方法去除背景像素点,利用形态学算子得到对象分割模板。该方法的优点是操作简便、速度快、易于实现。在运动目标跟踪方面,运动目标跟踪算法直接影响着运动目标的准确性和稳定性,现有的目标跟踪算法大多需要处理的数据量大,运算复杂。本文在对目标检测和跟踪算法分析的基础上,提出了两种目标跟踪算法:“基于形心和矢量的视频对象跟踪”算法和“基于运动估计的Kalman滤波视频对象跟踪”算法。“基于形心和矢量的视频对象跟踪”算法:视频对象分割后,使用区域增长法将视频对象分成若干个区域,然后利用视频序列中连续两帧中每个区域的形心和矢量的方向,快速、有效地自动跟踪多个目标对象。“基于运动估计的Kalman滤波视频对象跟踪”算法:首先进行视频对象分割,求出运动目标的形心。再利用视频序列中连续两帧的形心和运动矢量信息,用kalman滤波对运动目标的形心在下一帧的位置进行预测,从而快速、有效地自动跟踪多个目标对象。实验结果表明,这两种算法对运动目标的出现和消失,以及非刚性物体的尺度变化和变形,具有较强的鲁棒性。
单勇[3]2006年在《复杂条件下视频运动目标检测和跟踪》文中认为视频系统在国民经济和国防建设中获得广泛的应用，并正在发挥着巨大的作用。如何提高视频处理的智能化程度、扩展其应用范围、提高其系统的性能已经成为研究和应用领域的一个热点。复杂条件下的视频图像处理又是其中的一个突出的方面，其处理结果的优劣直接影响到高层视频的理解。论文围绕着视频应用中遇到的光照变化、阴影及遮挡等复杂条件，深入系统的进行了运动目标检测和跟踪的研究。首先，研究了消除噪声，克服光照变化等预处理。在评述了常用预处理方法与技术的基础上，提出了两个新方法。一个是一种自适应矢量混合滤波方法，能够自适应的对高斯和脉冲噪声进行滤波。另一个是一种检测光照变化的方法，通过将光照变化因子引入背景模型，获得了消除光照变化影响的效果。其次，研究了阴影条件下运动目标检测方法。提出了改进的混合高斯背景消除模型，将光照变化因子引入其模型更新中，消除了光照变化对检测的影响；同时又提出了一种选择最佳彩色空间的方法及阴影消除算子，以最大程度消除目标的阴影。再次，研究了基于动态轮廓的运动目标跟踪方法，从目标轮廓检测、跟踪和消除遮挡等方面展开。在目标轮廓检测方面，提出了改进的Chan-Vese模型，可以获得运动目标跟踪的初始轮廓；在目标轮廓跟踪方面，提出了改进的水平集快速步进方法，能够在光照变化的条件下保持目标跟踪；在消除遮挡方面，提出了将目标几何信息与直方图信息结合的遮挡检测方法，以消除遮挡对目标跟踪的影响。最后，建立了面向复杂条件下视频运动目标检测和跟踪实验系统，为验证相关算法提供了实验平台。具体讨论了实验系统的总体框架、各模块的主要功能、评估方法及适用范围。实验结果表明系统在一定范围内具有一定的实用价值。
焦波[4]2009年在《面向智能视频监控的运动目标检测与跟踪方法研究》文中研究表明随着固定摄像机视频监控系统的广泛应用,面对海量监控视频数据,人们不仅需要有效管理,还需要能够24×7全天候实时自动从中提取出感兴趣的信息和知识,实现监控视频的智能化。运动目标的检测与跟踪是智能视频监控系统中最基础的两项核心技术,它们是视频监控技术智能化和实时应用的关键。传统运动目标检测与跟踪方法通常针对特定场景设计,难以应对各种复杂环境的变化,并且在准确性和实时性之间难以达到较好的折中。针对上述需求,本文以单目固定机位的摄像机(固定摄像机)输出的视频图像序列为研究对象,以视频运动目标的检测与跟踪及其相关的关键技术为研究内容,以期实现实时精确的运动目标检测和跟踪方法。其主要工作如下:(1)根据监控视频背景模型的复杂程度,将固定摄像机视频监控系统的应用场景划分为简单场景和复杂场景两类。针对简单场景提出一种基于区域划分的运动目标检测方法,提高了传统方法的检测准确性和光照低敏感性。针对复杂场景提出一种用于运动目标检测的快速收敛混合高斯模型,在确保准确性的前提下,提高了传统方法的收敛速度和时间效率。(2)运动目标检测获得区分背景区域与前景目标区域的二值图像,为了实现前景目标区域中不同目标的分割及噪声消除,提出一种基于链路的视频序列中二值图像的快速聚类方法,并提出一种目标内部空洞的快速填充方法,弥补了传统方法时间效率低、时间效率不稳定及聚类和空洞填充效果差的缺陷。(3)监控视频监控对象通常是人或车辆,采用人的3D竖直椭圆体模型可以较好的解决人的部分遮挡及阴影问题,但由于车辆模型的复杂性,采用车辆模型解决部分遮挡及阴影问题将耗费大量时间,针对这一问题,提出一种基于形态学的部分遮挡车辆分割及阴影消除方法,在确保准确性的前提下,显着提高了传统方法的时间效率,能满足现有硬件条件下的实时性。(4)提出一种基于自适应粒子滤波的目标跟踪方法,解决现有粒子滤波对固定运动模型依赖性强的缺陷,提高了传统方法的准确性。通过快速有效运动目标轮廓、几何形态和颜色特征的提取,提出一种预测与特征匹配相结合的目标跟踪方法,提高粒子滤波跟踪的准确率。本文在准确性和实时性两个标准下,验证了各种方法的有效性。这些研究将为固定摄像机监控视频中的运动目标检测与跟踪技术做出有益探索。
张宗杰[5]2007年在《视频监控中运动目标检测与跟踪关键技术研究》文中进行了进一步梳理视频监控中运动目标的检测与跟踪是计算机视觉和图像编码领域的重要研究项目之一,在军事、医学和科研等领域都有广泛的应用。运动目标检测与跟踪算法的设计直接影响跟踪效果的准确性和稳定性。本文主要研究视频监控中运动目标的检测与跟踪的关键问题。在运动目标检测方面,首先对目前流行的帧间差法、背景差法、光流场法进行了实验分析和比较,指出其优缺点及适用范围:对于静态背景的获取、估计与更新进行了实验研究,引入了分块处理的思想,提出了分块背景估计算法,该方法增强了运动目标检测随环境变化的鲁棒性;提出一种基于码书的运动目标检测方法。该方法用矢量量化/聚类技术构建背景模型,利用当前帧和背景帧之间的亮度偏差和色度偏差来检测运动目标。实验表明,该方法具有很好的检测效果。在运动目标跟踪方面,对常用的视频运动目标跟踪方法进行了分析比较,提出一种利用差分法和特征匹配进行目标跟踪的方法。该方法将差分法得到的目标用矩形框框起来,对矩形框内的目标求质心,然后利用质心结合形状特征进行匹配,实验表明,该方法可以较好的适应目标形状有一定变化的情况,简单易行,在情况不复杂的情况下可以较好地跟踪目标。最后,本文对Mean Shift目标跟踪方法从实现原理、匹配准则和搜索算法等几方面对进行了分析。
董晶[6]2014年在《模板图像快速可靠匹配技术研究》文中进行了进一步梳理图像匹配在计算机视觉和摄影测量领域中都得到了广泛应用,如目标定位、目标跟踪、运动估计和叁维重建等。图像匹配的可靠性和计算速度往往对这些应用的性能有着至关重要的影响。图像匹配算法可以分为基于模板的图像匹配(常被称为模板匹配)和基于特征的图像匹配。模板匹配(Pattern Matching)是将一幅图像作为模板并通过逐像素比较的方法搜索模板在另一幅图像上的对应位置的过程。由于模板提供的图像信息更加完整,模板匹配算法能比基于特征的图像匹配算法更好地适应弱特征、图像噪声和成像模糊等不利因素。但是面对一些实时图像匹配任务或是存在严重噪声和灰度畸变干扰的异源图像匹配任务,现有的模板匹配算法往往还存在计算速度不够快或可靠性不足等问题。因此研究计算速度快、可靠性好的模板匹配算法具有非常重要的意义。本文以基于模板匹配的末制导和实时视频稳像为研究背景,对模板匹配算法中的测量准则和本征图像提取进行了深入的研究,致力于改进模板匹配算法的计算速度和模板匹配对噪声、灰度畸变的适应能力。本文的主要研究成果如下:1.针对基于L1范数的模板匹配算法计算速度较慢的问题,本文提出了一种基于余弦和的测量准则。测量准则用于衡量图像之间的差别或相似性,对模板匹配的可靠性和计算速度有重要影响。L1范数是一种可靠性较好的差别测量准则,但是基于L1范数的模板匹配算法计算速度较慢。本文提出余弦和的测量准则在可靠性上和L1范数比较接近,但可以利用快速傅里叶变换(Fast Fourier Transform,FFT)或正交分解原理大幅加速基于该准则的模板匹配算法。2.为了提高基于标准化互相关(Nomalized Cross Corelation,NCC)的模板匹配算法的计算速度,本文提出了一种基于正交分解原理的NCC快速模板匹配算法。该算法可以在不降低可靠性的前提下,大幅提高算法的计算速度。测试结果表明:在噪声较弱的情况下,该算法比基于全搜索的NCC模板匹配算法快1~2个数量级;在图像噪声较强的情况下,该算法可以自适应地终止迭代过程,防止计算量过分增加。3.针对异源图像匹配常常遇到的灰度畸变问题,本文提出了一种基于结构张量的本征图像提取算法。该算法将灰度图像转化为基于结构张量的本征图像,可以降低灰度畸变和噪声对模板匹配的不利影响,从而提高模板匹配的可靠性。此外,本文还提出一种基于相似性余弦和的测量准则,利用该准则可以有效提高基于结构张量的模板匹配算法的计算速度。实验使用异源图像对基于结构张量的模板匹配算法和现有的多种模板匹配算法进行了比较,结果显示,本文算法能有效地提高匹配正确率,并大幅提升计算速度。4.针对末制导应用中的目标定位问题,本文提出了一种基于叁角不等式性质和正交分解原理的快速模板匹配算法。为了提高实时性,末制导应用中的模板匹配算法需要尽可能地减少在线计算量。本文提出快速模板匹配算法根据一些末制导应用中基准图及其相关数据可以在离线阶段准备的特点,利用叁角不等式性质和正交分解原理,在离线阶段完成模板匹配中的大量计算,从而能有效减少这类末制导应用中模板匹配算法的在线计算量。5.针对视频稳像问题,本文提出了一种基于关联卡尔曼滤波器的实时稳像算法。该算法首先利用模板匹配和特征点跟踪相结合的方法快速可靠地提取出视频运动,然后利用本文提出的关联卡尔曼滤波器对视频运动进行滤波,达到稳像的目的。与基于叁维重建和特征轨迹提取的稳像算法比较,本文算法能更有效地适应图像噪声、运动模糊和光照变化等因素。实验的测试结果表明:本文提出的稳像算法能实时地对包含二维场景和较复杂的叁维场景的视频进行稳像。
高枝宝[7]2006年在《基于视频的行人流量检测研究》文中研究指明行人流量检测技术是当今世界智能视觉系统研究中一个十分活跃的新领域。行人检测、流量分析在地铁、道路、超市出入口中有着广泛的应用需求；特别是在城市交通环境中，对行人流量检测技术研究更是有着明显的社会和经济效益。计算机视觉监控技术能够利用计算机视觉和图像处理的方法建立一个智能管理系统，通过对摄像机拍录的视频序列进行分析来实现行人的定位、识别和跟踪，从而提供了一种更加先进和可行的智能处理方案。 在查阅了大量的国内外资料文献后，笔者发现基于视觉的公交行人流量检测研究基本上还是空白，仅有极少量的文献是关于商场出入口、路口的行人检测。由于公交上下出入口的研究环境比商场出入口的研究环境更加恶劣，行人距离摄像头的距离更近，颜色信息更加模糊，行人变形、旋转更加剧烈，近邻帧间的特征信息丢失非常严重，这些问题决定了本文的研究工作具有很大的挑战性。 本文提出了一种利用计算机视觉对公交系统中行人流量进行检测分析的解决方案，该方案能够在一定时间段内获得上下车辆的行人流量信息，试验取得较为满意的效果。通过对不同方法实验分析，以及对大量行人图像帧的观察之后，本文首先提出基于“最小灰度差”的背景帧差法有效的提取了整体行人运动目标；在进行形态滤波之后，对大量图像帧的观察发现：在整体行人目标中只有人头部分的变形是最小的。根据这一特性，提出了特有的人头(区域)曲线的检测算法，提取了可能的人头曲线，之后对提取的人头曲线进行模板匹配，并采用基于人头特征的对称性、人头(发)颜色概率分布以及运动轨迹等相关方法对伪目标曲线进行排除。该方法有效的提取了目标人头，为后期的处理打
殷家乐[8]2016年在《基于DM6467平台的智能监控视频信号处理技术研究》文中认为智能视频监控作为安全防范系统的重要技术,在无需人为干预的情况下,能对监控摄像头采集到的视频自动分析并发出指令,因而在军事与民用领域具有广泛的应用。结合TMS320DM6467芯片在视频图像处理领域的性能优势,本文基于DM6467平台对智能监控视频信号处理技术进行研究。本文内容主要分为五个部分:第一部分介绍了智能视频监控的研究背景和意义及国内外研究现状;第二部分介绍了几种常见的嵌入式智能视频监控系统解决方案和系统硬件平台的构建,包括视频采集系统以及视频信号处理系统;第叁部分首先介绍了帧差法、混合高斯模型算法、核密度估计算法、模糊积分特征算法等常用的运动目标检测算法的基本原理,其次针对经典W4算法不能更新背景模型的不足,提出了本文基于W4算法和帧差法的算法,有效地解决了经典W4算法因视频初始帧中存在运动目标而导致误检的问题。接着简要介绍了视频压缩和网络传输技术;第四部分将本文算法和其他常用的运动目标检测算法对不同的视频源进行matlab仿真实验,对检测结果进行定性分析和量性分析,并进行异常事件检测实验;第五部分介绍了智能监控视频信号处理技术的研究与设计,包括目标检测、异常事件检测、H.264视频压缩和网络传输。重点介绍了 DSP端图像处理算法的移植以及ARM端应用程序的设计。最后开展多组实验,实验结果表明,本文提出的基于W4算法和帧差法的目标检测算法在硬件平台上检测效果良好,其准确率高,完整度好,误检率低,且能很好地服务于异常事件检测;同时,视频编码的压缩比尚可,网络传输基本满足实时性。
芦博[9]2008年在《基于DSP的视频动态跟踪研究》文中指出随着人们生活水平的提高和对工作、生活环境中安全防卫需求的增长,视频监控系统近年来得到了迅速的发展。以往国内使用的视频监控系统主要是基于模拟技术的,到了世纪年代末,随着网络带宽、计算机处理能力和存储容量的迅速提高,促使视频监控系统从模拟技术时代进入数字化网络时代,即数字视频监控系统。目前大部分的数字视频监控系统是通过图像采集卡进行视频采集。与此同时,由于超大规模集成电路和嵌入式软硬件技术的迅猛发展,尤其是DSP芯片,它丰富的外设接口和高度的可编程性使得视频监控的硬件和软件都更容易实现。正是由于越来越高的性价比加上体积小,携带方便等独特优势使得基于DSP的视频监控系统也渐渐占有了一席之地。TI公司的TMS320DM642芯片是目前业界公认的性能良好的视频处理器,是一款专门面向多媒体应用而设计开发的32位定点DSP芯片,已经成为目前视频处理系统的理想平台。视频运动目标分析中对运动目标的跟踪是在运动目标检测的基础之上进行的,跟踪的主要目的是获取运动目标的运动特征,包括运动轨迹及瞬间运动参数等等。由于视频中主要的语义内容是以运动信息作为载体,因此分析和截取视频中有意义的动态信息成为基于内容的多媒体信息处理技术重要的组成部分从而引起人们高度的研究兴趣。本文主要研究并设计了一个嵌入式视频监控系统,它的主控芯片采用TI公司最新推出的专用多媒体处理芯片TMS320DM642。论述了TMS320DM642芯片的内核结构和外围设备,并此研究基础上,根据系统的设计要求和指标,完成了基于TMS320DM642的视频处理系统设计,并阐述了各个模块的具体设计过程。在硬件设计的视频处理平台上,根据研究的目标,作者对基于DSP嵌入式系统下的数字图像检测与跟踪算法进行了深入的探讨,实现了一种新的基于四连通的算法,该算法能够很好的适应DSP系统的实时性要求,实时跟踪运动中的物体,在算法的实现上,本文还研究了DSP系统下的优化方法,从代码优化和存储器优化两个方面对视频跟踪算法的优化方法进行了重点介绍和分析。
鲍征[10]2008年在《基于TMS320DM642的智能交通监控系统研究》文中提出智能交通监控系统是智能交通系统的一个重要分支。随着计算机视觉算法的发展和硬件平台处理速度的提高,计算机视觉技术在智能交通监控系统中的应用越来越广泛。如何准确快捷的获取道路车辆信息是智能交通系统中一个重要的研究课题。检测得到的车辆信息是监控系统进行智能交通决策的基础。车辆检测系统的准确性和稳定性对于智能交通系统具有重要的意义。本文对智能交通系统中车辆信息的获取这一问题进行了深入的研究和讨论。最终设计实现了基于DM642的嵌入式车辆检测平台。同时,本文改进了传统车辆检测算法,使之更适应实时道路车辆检测。实验证明,本文构建的嵌入式车辆检测系统稳定、高效,具有广阔的应用前景。本文的主要工作如下:第一,针对智能交通监控系统需要提取丰富车辆描述信息以及基于视觉的车辆检测传感器所具有的安装简便、成本低廉等特点,本文提出了基于背景建模的运动目标检测方案。通过比较现有运动目标检测方法以及成型的智能监控系统,本文选取了Running Average的背景模型进行建模。同时,本文针对传统运动目标检测算法阈值选取困难,检测结果易受阴影影响,以及建模过程中受连续车流干扰产生残影等问题进行了深入研究。分别提出了采用双阈值分割前景,HSV空间进行阴影检测与消除以及利用反馈信息优化背景建模结果的算法改进方案。有效的解决了传统算法的问题,显着提升了算法的准确性和可靠性。第二,本文对现有智能交通监控系统总体构架进行了研究,现有系统由于所有图像处理操作均在监控中心PC平台完成,造成监控中心计算量过于庞大,无法完成多路监控数据的实时处理。为此,本文提出了PC平台监控+DSP车辆检测系统的解决方案。由DSP平台完成车辆检测和交通信息提取。而PC平台仅需利用检测提取数据进行交通调度决策。提升了系统整体性能。第叁,采用TI公司的DM642芯片完成了DSP车辆检测平台的设计。利用DSP/BIOS开发工具和RF5参考框架完成了DSP软件程序的设计和开发。实现了DSP平台上的车辆检测算法。
参考文献：
[1]. 视频运动目标检测及其实时处理系统研究[D]. 王东升. 电子科技大学. 2004
[2]. 视频运动目标跟踪系统研究[D]. 张贝贝. 西南大学. 2008
[3]. 复杂条件下视频运动目标检测和跟踪[D]. 单勇. 国防科学技术大学. 2006
[4]. 面向智能视频监控的运动目标检测与跟踪方法研究[D]. 焦波. 国防科学技术大学. 2009
[5]. 视频监控中运动目标检测与跟踪关键技术研究[D]. 张宗杰. 苏州大学. 2007
[6]. 模板图像快速可靠匹配技术研究[D]. 董晶. 国防科学技术大学. 2014
[7]. 基于视频的行人流量检测研究[D]. 高枝宝. 四川大学. 2006
[8]. 基于DM6467平台的智能监控视频信号处理技术研究[D]. 殷家乐. 南京理工大学. 2016
[9]. 基于DSP的视频动态跟踪研究[D]. 芦博. 武汉理工大学. 2008
[10]. 基于TMS320DM642的智能交通监控系统研究[D]. 鲍征. 北京交通大学. 2008
标签：电信技术论文; 视频监控论文; 运动论文; 行人检测论文; 特征提取论文; 环境监控系统论文; 图像匹配论文; 算法论文;