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。     

基于无人机视频的运动目标快速跟踪

无人机视频序列影像是尢人机在高速运动的条件下获取地面目标的动态信息,相机的运动给目标检测、跟踪带来了一定的困难。针对无人机视频序列影像背景位移的特点,将运动目标检测与跟踪技术分为运动估计、目标检测、目标跟踪3个部分。由于无人机视频序列影像中目标较小、分辨率较低,因此采用基于区域的目标跟踪算法。该方法计算量小,计算速度快...     

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.     

基于CNN和RNN的像素级视频目标跟踪算法

影像目标跟踪定位技术是当前计算机视觉领域的研究热点,目标跟踪算法也是现阶段将视频结果用于定位的薄弱环节之一．本文分析了像素级目标跟踪存在的问题,根据深度学习在图像领域的最新研究成果与视频跟踪需求,结合最新的图像分割、卷积神经网络(CNN)、循环神经网络(RNN)和加密解码结构等方法提出了一种像素级视频目标跟踪算法．使用公开数据集实现算法并设计了定量评价指标．实验结果表明该算法具有较强的像素级视频目标跟踪定位能力      

基于数字视频数据的地理信息的提取与空间分析研究

视频数据的地理信息提取最大问题在于动态视频图像精度的精准捕捉以及实时存储处理,针对该问题,提出一种以运动向量为基底的影像式背景模型建立架构,提供外型准确完整的移动物体图像捕捉数据,同时结合动态视频捕捉的图像,采用霍夫变换、直线拟合与线段分割等步骤提取目标物的边界线段,从而获得目标物的地理信息,通过验证视频图像地理信息提取结果,可以发现本文视频动态图像地理信息数据提取技术具有较高的准确性和可靠性。     

视频数据的地理信息提取研究

针对视频数据虽然能高效、逼真、详细地展现地理信息,但是因不具备地理框架而不能直接与GIS结合,参与空间分析的问题,该文通过多次真实环境条件下的尝试性实验,探索出一种从视频中提取地理信息的方案:采用运动目标检测技术自动识别出视频帧中实体的轮廓;通过半自动的处理清除提取数据的干扰轮廓;借助数据变换技术为视频帧及其提取的数据赋予准确的地理框架。基于真实环境的实验结果表明:该方案不仅可以有效地提取视频中的地理信息参与空间分析,还能够实现其空间分析结果的多视角可视化。本研究针对视频与GIS结合问题做出初步探索,为视频GIS的深层次研究提供帮助。     

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.     

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。     

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。     

基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。