融合颜色和深度信息的运动目标提取方法

行人检测是计算机视觉、智能交通等领域研究的热点与难点,基于深度传感器对室内复杂场景下的行人检测展开研究。目前,基于颜色与深度数据的目标检测方法主要包括基于背景学习的方法和基于特征检测算子的方法,前者依赖于视频序列头几十帧的背景知识,帧的数量决定检测质量;后者存在计算量大的问题,训练样本的不足也会影响行人检测结果。因此,深入分析了复杂场景特征,融合颜色和深度信息,提出了RGBD+ViBe(visual background extractor)背景剔除方法,实现前景运动目标的准确提取。实验结果表明,提出的RGBD+ViBe方法在前景运动目标检测准确率方面要明显高于仅考虑颜色或深度信息方法以及RGBD+MoG(model of Gaussian)方法。     

机载视频影像运动目标检测与跟踪技术

运动目标检测跟踪是一项新兴热点技术,其处理的主要对象是视频影像数据,核心是实现对视频影像数据中运动物体的检测及跟踪。以机载视频数据为研究对象,对这项技术进行了较为深入的分析。将运动目标检测跟踪技术划分为视频影像预处理、目标检测及运动跟踪3个功能部分,并分别分析与之相关的技术方法,阐明该类问题的解决思路和探索方向。     

带有地理编码的光学视频卫星物方稳像方法

发现运动目标并获得运动目标的地理位置与运动速度,是光学视频卫星非常重要的一个高精度应用。现有光学卫星视频稳像方法虽然可以获得稳定流畅的视频数据,但视频数据中缺少几何信息,难以满足这一应用需求。针对该问题,提出一种带有地理编码的光学视频卫星物方稳像方法。该方法充分利用卫星视频帧的定向参数信息,构建基于视频帧定向模型的帧间运动模型,并通过辅帧定向参数的运动补偿,实现视频序列帧间几何一致性,再在物方空间对视频序列进行地理编码,生成带有地理编码的流畅视频数据。经对珠海一号卫星视频数据的试验结果表明,该方法可以有效消除卫星平台抖动和卫星定轨测姿等误差对卫星视频帧间几何精度的影响,获得的帧间几何精度与视频稳像精度均优于0.3像素。     

吉林一号卫星视频影像超分辨率重建

针对吉林一号(Jilin-1)卫星视频影像的超分辨率重建问题,在分析卫星视频与普通视频及遥感影像不同特性的基础上,研究了在成像场景内含有运动物体情况下,Vandewalle方法和金字塔LK(Lucas-Kanade)光流法运动估计方法的适用性。同时,针对目前中值平移并添加(median shift and add,MSA)方法在视频卫星影像重建中因帧间缺少互补信息而引起的边缘信息不清晰问题,提出了新的中值平移并添加(new median shift and add,NMSA)方法。首先,根据重建的倍数建立重建前、后的空间分辨率格网,并将2个格网统一到1个空间内;然后,以待确定的重建后影像格网像元为中心,确定参与估计的低空间分辨率像元值,利用容许误差确定重建后的像元值。通过利用吉林一号(Jilin-1)卫星数据进行实验,验证了NMSA方法的有效性。     

机载视频影像运动目标检测与跟踪技术

运动目标检测跟踪是一项新兴热点技术,其处理的主要对象是视频影像数据,核心是实现对视频影像数据中运动物体的检测及跟踪.以机载视频数据为研究对象,对这项技术进行了较为深入的分析.将运动目标检测跟踪技术划分为视频影像预处理、目标检测及运动跟踪3个功能部分,并分别分析与之相关的技术方法,阐明该类问题的解决思路和探索方向.     

基于城市天际线的遥感视频生产与交通信息提取

传统交通信息获取方法较难获取大范围、全覆盖的实时动态交通流信息,提出一种利用城市天际线作为观测平台的城市遥感视频生产与交通信息提取方法。首先,在超高层建筑物拍摄对地观测数据;然后,对原始倾斜视频观测数据进行正射校正,与卫星影像融合生成大范围城市遥感视频数据;最后,训练深度学习模型进行车辆分类识别,基于识别结果计算区域车辆数目及密度。在深圳平安大厦观光层开展数据采集并处理分析,结果表明,所提方法可生产低成本、长时间、大范围、高质量的城市遥感视频,基于该遥感视频开展的车辆检测误识别率和漏识别率低,车辆计数准确率高,可对区域交通流量进行有效监控,准确实时地获取城市内部区域交通情况。     

视频星运动目标检测方法的对比和分析

视频卫星可提供大尺度运动场景的实时监控,而运动目标检测是其应用的核心问题。本文设计并实现了目前3种主流的运动目标检测方法,以路面交通监控视频和卫星视频为应用背景,详细探讨了3种方法在检测精度、实时性和运动目标完整性等方面的优缺点和适用条件。实验表明:混合高斯模型方法在多目标复杂背景下,表现出较强的适应性。粒子滤波法具有抗灰尘噪声干扰特性,运动目标边缘保持较好。     

遥感视频卫星运动车辆目标快速检测

随着遥感卫星成像技术的快速发展,遥感视频卫星的出现为运动车辆目标信息获取提供了新手段。然而在遥感卫星视频中,运动车辆目标仅为几个或十几个像素并与背景的对比性较低,难以获取车辆的局部细节特征,使得传统监控视频的运动车辆检测方法直接应用到卫星视频图像会存在很多的问题。在分析遥感卫星视频运动车辆目标检测与传统监控视频运动车辆目标检测差异的基础上,本文提出了一种感兴趣区域自动约束的遥感卫星视频运动车辆快速检测方法：首先是快速自动获取运动车辆目标的感兴趣区域;其次在感兴趣区域约束下,基于改进的高斯背景差分方法实现感兴趣区域内运动车辆快速检测。应用Skybox-1卫星视频数据进行了运动车辆目标检测实验并进行了定性与定量分析。实验结果表明,本文方法可以有效自动减少动态背景变化导致的伪运动目标,具有较高的检测率、较高的检测质量、极低的虚警率以及较高的运行效率,可自动高效实现卫星视频图像中运动车辆目标的高精度检测。     

运动分割和光流估计的卫星视频超分辨率重建

针对卫星视频中存在局部运动目标的问题,该文提出了一种运动分割和光流估计联合约束的卫星视频超分辨率重建算法。首先通过视频帧间运动分割方法提取局部运动目标,获得其边缘信息;其次用光流方法对视频图像进行逐像素的运动估计,获得初始运动矢量场;利用分割边缘和运动矢量场进行联合约束,并统一运动目标内的光流矢量,获得纠正后的运动矢量场,并作为几何运动矩阵,将其补偿到超分辨率重建模型中生成高分辨率图像;最后用卫星视频数据进行实验,并与传统方法结果进行对比,证明该文算法可以有效地克服运动目标的伪影效应,提升了卫星视频的分辨率。     

无人机视频数据定位处理系统的设计与实现

以无人机获取的视频数据为基础,利用VC++6.0编程软件,设计开发一套无人机视频数据定位处理系统.该系统的主要功能包括:利用无人机平台定位数据、姿念测量数据和视频图像数据,结合待测区域的数字高程模型(DEM)或数字表面模型(DSM),对实时传输或回放视频中地晰运动物体进行目标定位,并将视频图像实时纠正为正射影像.     

视频卫星数据的运动车辆提取

针对新兴的视频卫星数据在道路监控中应用研究较少的问题,该文提出了一种基于特征的视频卫星数据运动车辆提取优化算法。以SkySat-1卫星获取的Las Vegas地区的视频数据为实验数据,采用传统帧差法与阈值法进行运动车辆提取,验证了该方法对视频卫星数据处理的有效性,同时在此基础上根据空间特征信息界定出道路以内的感兴趣区域,进一步根据车辆的几何特征信息对感兴趣区域的疑似车辆目标进行筛选。实验结果表明:所提算法在提取精度和完整度上明显优于基于像素的帧差法与阈值法的提取结果。     

交通监控视频图像语义分割及其拼接方法

视频拼接是图像拼接的外延,在场景监控、目标识别等应用中发挥着重要作用。传统视频拼接算法多要求视频间具有较大重叠区域且特征点匹配过程中只顾及图像几何特征,当处理交通监控视频时,会因不同摄像头之间重叠区域极小或主光轴之间夹角较大而导致无法拼接或图像变形较大。为此,本文提出一种交通监控视频图像语义分割及其拼接方法。首先,利用边缘角度二阶差分直方图算法自动识别多视频交汇区域的正射影像,并将其作为拼接背景图像;然后,基于全卷积神经网络对正射影像和视频图像进行语义分割,提取图像中的交通专题语义;最后,以交通专题语义作为约束进行特征点匹配,将各个交通监控视频匹配至背景正射影像,实现监控区域视频拼接。采用山东省某市实际视频数据进行试验验证,结果表明对于重叠区域较小的监控视频,本文方法可获得较好地拼接图像,同时可有效提高特征点匹配的准确度。     

光流网络的无人机视频运动目标检测方法

针对传统光流技术的无人机视频运动目标检测方法计算效率低等问题,提出一种基于改进光流网络的无人机视频运动目标检测方法.首先利用卷积神经网络分别提取视频序列影像中目标的运动特征,并利用所提取特征进行光流计算;其次通过堆叠网络结构增加网络深度、引入小位移子网络等方法提高光流计算的精度和效率;最后通过光流阈值分割实现运动目标的检测.采用4组不同飞行模式下的无人机视频数据进行实验,实验结果表明,无论是在悬停模式还是在航行模式下,所提方法均能实现单目标、多目标和遮挡目标的检测,检测效果更好、计算效率更高(计算时间≤35 ms),基本能满足无人机视频运动目标实时处理的需求.     

顾及道路约束条件的动态目标检测与跟踪方法

智能交通是智慧城市的重要组成部分,面对复杂多变的道路背景,如何能够快速检测、跟踪道路监控影像中的动态目标,是智能交通建设的关键技术难点。本文根据道路监控视频特点,提出了采用道路约束条件与颜色特征集相结合的动态目标跟踪方法,以道路约束条件确定运动目标搜索区域,利用HSV颜色特征集进行特征匹配,然后基于ⅡR滤波背景法对背景影像进行更新及动态目标的检测,并根据道路约束条件与颜色特征相结合跟踪方法实现对动态目标的跟踪及动作预测。试验结果表明该方法可准确对运动目标进行检测与跟踪,且对慢速运动目标也具有较好的响应能力,实现了对道路动态目标的实时检测与跟踪。     

结合运动平滑约束与灰度特征的卫星视频点目标跟踪

针对卫星视频条件下的点目标跟踪问题,提出了一种运动平滑约束的贝叶斯分类目标跟踪方法(BMoST)。本方法引入朴素贝叶斯分类器的思想,不依赖目标的任何先验概率,在运动平滑性约束下,利用灰度相似性特征来表达描述目标的似然度,并根据独立假设的贝叶斯定理,建立简化的分类器条件概率修正模型,通过该模型估计目标的后验概率,从而实现目标跟踪。同时,采用卡尔曼滤波辅助、优化跟踪处理,提高算法的稳健性。试验数据采用SkySat和吉林一号拍摄的视频各两段,对6个点目标进行跟踪试验。结果表明,本文提出的方法针对卫星视频的点目标跟踪效果良好,精度达到90%左右,且跟踪轨迹平滑,满足卫星视频后续高级处理和应用需要。     

智慧国土视频监控运动目标提取新方法研究

近年来,由于国土资源违法违规现象频发,视频监控在国土行业得到了广泛应用:它是通过监控设备对耕地、矿区等重点区域进行实时监控从而自动识别、判断、预警的新执法监察手段。自动化和智能化的实现,迫切需要对运动目标进行有效提取、分析。针对在智慧国土视频监控中获得广泛应用的PTZ(Pan-Tilt-Zoom)相机,提出了一种快速有效的运动目标提取新方法。与传统建立全景背景模型的PTZ相机运动目标提取方法不同,该方法建立了匹配特征点的密度估计,减少了计算时间与内存需要,且对光线变化有很好鲁棒性,可以方便地应用到"智慧国土"项目——视频监管系统建设中去。     

基于特征的无人机载视频运动目标快速检测方法

针对无人机载视频序列影像动态背景以及常用检测方法处理效率不高等问题,提出了一种基于特征的无人机载视频运动目标快速检测方法.该方法主要包括预处理、ORB特征提取(oriented fast and rotated BRIEF,ORB)、渐进一致采样(progressive sample consensus,PROSAC)...     

基于无人机的车辆目标实时检测

越来越多的研究者开始关注基于无人机系统的车辆检测,已在交通管理与监控系统中得到广泛的研究与试验。为了更加直观地监测道路车辆交通情况,本文基于无人机视频数据进行车辆的实时检测。首先搭建了小型无人机数据采集系统;针对采集的视频数据,采用深度学习框架进行车辆检测;基于深度学习的检测,尝试优化车辆检测结果。试验结果表明本文方法具有有效性和实时性,为监控管理部门提供了一种高效率、机动灵活的监测模式。     

多层次地理视频语义模型

针对公共安全应急响应中支持推理、挖掘和关联分析的地理视频建模难题,提出了一种显式表达视频变化的多层次地理视频语义模型,并用UML图进行描述。该模型的特点是:改变了传统视频流整体语义描述方法,通过面向变化的三域(特征域-行为过程域-事件域)定义地理视频语义的层次结构和数据的层次表达;在各层次语义描述中将地理环境语义与视频内容语义有机结合,支持多地理视频数据的关联表示。以公共安全事件监控视频为例阐明了模型的实用性和有效性。     

基于车载视频的道路交通指示标志的检测与识别

根据交通指示标志的颜色和形状特征,提出了一种基于车载视频的交通指示标志的检测与识别方法。该方法首先基于HSV空间进行颜色分割,完成对ROI的初步提取;然后基于交通指示的形状特征,检测交通指示标志;最后针对圆形指示标志和矩形指示标志的形状特点,设计一种分块特征提取方法对检测出的指示标志进行特征提取,通过特征匹配识别出交通指示标志类别。实验表明,提出的检测与识别方法能够快速、有效识别车载视频中的交通指示标志。