一种运动背景下视觉注意辅助的目标检测方法

格式：doc
大小：3.19 MB
文档页数：18

下载文档原格式

/ 18

运动目标检测

运动目标检测在计算机视觉领域中，运动目标检测是一项重要的研究任务，它的目标是通过算法自动检测图像或视频中的运动目标，并给予其正确的分类。

运动目标检测在许多应用中都有重要的作用，例如视频监控、智能交通系统和自动驾驶汽车等领域。

运动目标检测的挑战主要在于克服背景干扰、光照变化和目标遮挡等问题。

为了解决这些问题，研究者们提出了许多不同的方法和算法。

其中一种常见的运动目标检测方法是基于光流的方法。

光流是指物体在连续帧之间的像素移动信息。

这种方法通过计算相邻帧之间的光流来检测运动目标。

然后，通过对光流进行分析和处理，可以提取出运动目标的轮廓和位置信息。

另一种常见的方法是基于背景建模的方法。

这种方法假设背景是静止的，而目标是运动的。

通过对连续帧中的像素进行建模，可以提取出运动目标的位置和轮廓信息。

背景建模方法主要分为静态背景建模和自适应背景建模两种。

静态背景建模将整个场景作为背景进行建模，而自适应背景建模会根据场景的变化自动调整背景模型。

这些方法通常结合了像素差分和像素匹配等技术来检测运动目标。

近年来，深度学习技术的快速发展也为运动目标检测提供了新的解决方案。

基于深度学习的方法通过训练神经网络来学习特征表示，并使用这些特征表示来检测和分类运动目标。

其中，卷积神经网络（CNN）是最常用的深度学习模型之一，已经在许多图像和视频任务中取得了令人瞩目的成果。

此外，还有一些基于循环神经网络（RNN）和长短期记忆（LSTM）的方法也被用于处理序列数据，如视频中的运动目标。

总体而言，运动目标检测是一个非常复杂和多样的问题。

随着计算机硬件和算法的不断改进，运动目标检测的性能也在不断提高。

未来，我们可以期待更多创新的方法和技术被应用于运动目标检测任务中，以提高准确性和效率。

一种运动背景下移动目标的检测方法

j j
帧灰度图 1 ( a ) 和当前帧灰度图 1 ( b ) , 利用投影式 ( 2) 分别得到当前帧和参考帧的行、列投影曲线。如图 1 ( c) , ( d) 分别为参考帧和当前帧图像的列投影曲线, 图 1( e) , ( f ) 分别为参考帧和当前帧图像的行投影曲线 , 图 1 ( g ) , ( h ) 分别是参考帧和当前帧的行相关曲线、列相关曲线。 2. 1. 2 位移相关检测将第 k 帧图像的行、列灰度投影曲线与参考帧 r 图像的行列灰度投影曲线做互相关计算, 根据两条相关曲线的谷值即可确定当前帧图像相对于参考帧图像的行列位移矢量值。式( 3) 为进行列相关运算的计算公式: C( w ) =
sequences w ith global mo tion. T hr ough analyzing the r elated cur ves, three point loca lly adaptive sear ching a lg or ithm is pr o po sed o n the basis of sing le pea k char acter istics, T he m otion vecto r s betw een the successiv e imag e f ra mes can be e sti m ated by using this a lg or ithm. T hr o ugh maping the backgr o und o f the curr ent ima ge fr ame based o n the backgr o und o f the ref er ence im age f ra me, the global m ot io n v ecto rs can be co mpensate d. T he backgr o und o f successive image f ra mes ar e fixed to the sa me po sitio n of the sa me imag e fr ame. T hen the mo ving objec ts ca n be dete cted ex actly by using a m etho d o f impr ov ed three successive imag e fr ame s subtr action and classed w ith their char acte ristics. Exper imental results de mon stra te that this metho d can ef fectively e xtr act and distinguish m ov ing o bjects with changing backgr ound. Key words o bject detect io n, gr ay scale pro jec tio n, mo ve compensa tio n, thr ee imag e fr ames subtr action Class Number T P391. 41

视觉跟踪技术在运动目标检测中的应用研究

视觉跟踪技术在运动目标检测中的应用研究随着科技的不断发展，人们对于运动目标检测的需求越来越高。

在体育比赛、监控系统、智能家居等领域，运动目标检测都扮演了重要的角色。

而其中，视觉跟踪技术的应用则是不可或缺的。

在本文中，我们将对视觉跟踪技术在运动目标检测中的应用进行研究并探讨其发展前景。

一、视觉跟踪技术简介视觉跟踪技术是指在视频中对目标进行连续跟踪的一种技术，其主要过程为：首先对目标进行初始化，然后利用图像分割、运动分析等方法对目标进行预测，最后利用预测结果来对目标进行跟踪。

相比于其他的目标检测方法，视觉跟踪具有实时性强、精度高、稳定性好等特点，因此被广泛应用在各个领域。

二、视觉跟踪在运动目标检测中的应用1.运动目标的跟踪在体育比赛等领域中，视觉跟踪技术可以用于对选手、球员等运动目标的跟踪。

通过将跟踪结果与预设的行为模型进行比对，可以实现对运动员的行为分析、技能评估等功能。

同时，在智能家居等领域，也可以利用视觉跟踪技术对家庭成员进行跟踪，从而实现对家庭成员行为的分析与评估。

2.监控系统中的应用在监控系统中，视觉跟踪技术也扮演了重要的角色。

通过对监控视频中的目标进行跟踪，可以实现对目标的行为分析、异常检测等功能。

同时，视觉跟踪技术还可以应用于车辆跟踪、人脸跟踪等领域，为社会治安、犯罪侦查、交通安全等方面提供有力的支持。

3.机器人运动控制中的应用在机器人领域中，视觉跟踪技术可以用于对机器人运动的跟踪与控制。

通过对目标的跟踪，机器人可以实现对目标的捕捉、追踪等功能。

同时，视觉跟踪技术还可以结合深度学习等算法，实现对目标精确姿态的估计与控制。

三、视觉跟踪技术的发展前景近年来，随着人工智能、机器学习等领域的快速发展，视觉跟踪技术的应用前景也越来越广阔。

在不久的将来，我们可以预见到视觉跟踪技术将被应用于更加多样化的领域中，例如医疗领域中的手术辅助、智能农业中的作物监测等。

同时，随着硬件设备的不断更新换代，视觉跟踪技术的实时性和精度也将得到进一步提升，从而更好地满足各种应用场景的需求。

如何利用计算机视觉技术进行运动目标检测和跟踪

如何利用计算机视觉技术进行运动目标检测和跟踪计算机视觉技术的快速发展使得运动目标检测和跟踪成为可能。

这项技术不仅在安防领域起到重要作用，还应用于自动驾驶、智能监控和虚拟现实等众多领域。

本文将介绍如何利用计算机视觉技术进行运动目标检测和跟踪。

一、运动目标检测运动目标检测是指利用计算机视觉技术，通过分析连续的图像序列，检测出视频中出现的运动目标。

运动目标可以是人、车辆、动物等各种物体。

以下是运动目标检测的主要步骤。

1. 前景提取前景提取是运动目标检测的第一步，其目的是将视频中的前景目标从背景中分离出来。

常用的前景提取方法包括帧差法、基于统计学模型的方法和基于深度学习的方法。

帧差法是最简单的方法，基于像素之间的差异来识别前景目标。

而基于统计学模型的方法则通过建立像素值的分布模型来识别前景目标。

基于深度学习的方法通常使用卷积神经网络（CNN）来提取特征并进行分类。

2. 运动检测运动检测是利用差分技术或光流法等方法，检测出视频中的运动目标。

差分技术通过对相邻帧之间的差异进行计算，来确定运动目标的位置。

而光流法则通过跟踪关键点在连续帧之间的移动来检测运动目标。

3. 目标分割和识别目标分割和识别是将前景目标分割并分类的过程。

它通常通过图像分割算法和目标识别算法实现。

图像分割算法将前景目标从图像中提取出来，并通过边缘检测、区域生长或图像分割神经网络等方法实现。

目标识别算法则通过比较目标特征和已知类别的模型特征，来对目标进行分类。

二、运动目标跟踪运动目标跟踪是指通过分析视频序列中的目标位置，持续追踪目标的运动轨迹。

以下是运动目标跟踪的主要步骤。

1. 目标初始化目标初始化是运动目标跟踪的第一步，其目的是在视频序列的初始帧中确定目标的位置。

常用的目标初始化方法有手动框选和自动检测。

手动框选是通过人工在初始帧中标记目标的位置。

而自动检测则通过运动目标检测算法自动获取初始目标位置。

2. 特征提取和匹配特征提取和匹配是运动目标跟踪的核心步骤。

一种运动目标检测方法[发明专利]

专利名称：一种运动目标检测方法专利类型：发明专利
发明人：李秀,高福信,闫天翔,陈连胜申请号：CN201310411685.4
申请日：20130911
公开号：CN103473792A
公开日：
20131225
专利内容由知识产权出版社提供
摘要：本发明公开了一种运动目标检测方法，包括以下步骤：a)读入视频帧；b)将视频帧预处理为灰度图像帧；c)判断图像帧是否为第一帧，如果是则建立GMM，如果不是则转向步骤d)；d)对图像帧进行处理，获取运动目标特征；e)进行特征融合，获得运动物体图像信息；f)计算运动物体像素点获得其质心，并保存其在帧中的位置；g)与设定阈值比较，判断质心在连续两帧间是否变化，如果没有变化，则转向步骤i），如果有变化，则转向步骤h）；h）进行形态学处理并更新GMM；i）进行形态学处理但不更新GMM；j）输出当前帧检测结果。

本发明可解决运动物体长时间静止不动或者是移动缓慢的情况下导致检测不准确的问题，尤其适用于海底运动物体的检测。

申请人：清华大学深圳研究生院
地址：518055 广东省深圳市南山区西丽大学城清华校区
国籍：CN
代理机构：深圳新创友知识产权代理有限公司
代理人：王震宇
更多信息请下载全文后查看。

一种基于视觉注意的小目标检测方法_谢文亮

意计算模型作了改进，将目标检测过程分为亮目标检测和暗目标检测。其中亮目标检测采用了简化的 Itti 模型，暗目标检测主要采用侧抑制网络模型，将亮目标检测与暗目标检测各自生成的显著图合成得到最终的显著图。通过设定一阈值得到图像的预注意区域，采用模糊 C- 均值算法进行图像分割，以便相对完整地标出每个目标。结果表明，算法能够有效地检测待检测目标。关键词：视觉注意；小目标检测；显著图；图像分割文献标志码： A 中图分类号： TP391 doi： 10.3778/j.issn.1002-8331.1110-0357
小目标检测是图像处理与分析领域的一个重要内容。所谓小目标指的是目标的成像尺寸属性，就是指目标在图像中所占的像素面积小，根据国际组织 SPIE 的定义，小目标为在 256×256 的图像中目标面积小于 80 个像素，即小于 256×256 的 0.12% 就为小目标。由于目标在图像中出现的位置未知，因此必须对整幅图像所有区域进行相同处理，导致算法的运算量较大而影响了其实用性。视觉选择注意（visual selective attention）机制是灵长类动物处理视觉信息的本质特征。人类视网膜对图像是非均匀采样的，这是视觉选择注意机制的生物基础；同时，由于高层视觉处理只是对初始传感器信息的一个子集进行处理，因此需要对初始得到的视觉信息进行选择。由此可知，人类视觉能够对输入的信息进行处理并分配优先级，使感知具备选
作者简介：谢文亮（1986 —），男，硕士，研究方向为实时图像处理；朱丹（1962 —），男，研究员，硕士生导师，中国宇航学会光电专业技术委员会委员，研究方向为实时图像处理、模式识别。 E-mail： wlxie@ 收稿日期： 2011-10-18 修回日期： 2011-12-23 文章编号： 1002-8331 （2013） 12-0125-04 CNKI 出版日期： 2012-03-21 /kcms/detail/11.2127.TP.20120321.1734.016.html

一种运动背景下目标快速定位方法

ｍｏｖｎａｋｏｕｄｃｎｂｏｉｇｂｃｇｒｎａｅｃｍｐｅｓｔｄｂｈｅｉｇｅｓｒｔｏｎａｅｙｔｍａｅｒｇｉｔａｉｎ；ｔｎｔａｎｆｅｅｃｐｅａｉｇｏｈｅｈｅｍｅｎａｄｄｉｆｒｎｅｏｒｔｎｎ
ａａｏ；ｆｒｈｅｍｏｅ，ｓｔａｄｐｔｎｇｔｒｓｏｌｈｉｒａｇｅｍａｅｃｎｂｅａｈｉｖｄ；ｆｎａｌｇｅｃｎｂｅｇｔｕｔｒｒｅｎａａｉｈｅｈｄｔｅｂｎａｙｔｒｔｉｇａｃｅｅｉｌｙ，ｔｅｈｂｉａｙｔｒｔｉａｅｗｉｌｂｅｍｏｐｈｏｉａｌｒｅｓｄｔｌｍｉｔｈｉｙｓｏｔ；ａｈｅｎｕｂｒｏｈｘｎｒａｇｅｍｇｌｒｏｌｇｃｌｙｐｏｃｓｅＯｅｉｎａｅｔｅｎｏｓｐｓｎｄｔｍｅｆｔｅｐｉ —
Ａｐ．０ｒ２９７
一
种运动新华吴正平
（三峡大学理学院，湖北宜昌４３０）４０２
摘要：对运动背景下目标检测算法计算量大，以实现实时跟踪的问题，出了一种目标快速定针难提位方法．该方法采用图像配准补偿背景运动量，由多帧图像差分消除背景图像获得目标图像，通过自适应阈值对目标图像二值化，形态学处理消除噪声斑点，用最后通过连通区域像素个数统计判决，一步去除伪目标，进最终定位目标区域．验结果表明该方法能在２６试～ｍｓ内准确定位平移运

运动背景下的运动目标检测方法

( 3)
( x - x0 , y - y 0 ) = F [ e ] ( 4) 因此为了估计两幅图像之间的平移量 , 其步骤如下 : 1 )分别计算两幅图像的傅里叶变换的值 2 )根据式 ( 3 )计算出相位相关矩阵 3 )计算相位相关矩阵的反傅里叶变换 , 从而得到的函数是一个复数矩阵 , 取它的实部部分形成新的实数矩阵 , 而它是一个含有尖锐脉冲的函数。脉冲出现的位置就代表了平移量的大小。 4 )确定了这个平移量后 , 就可以把后一帧图像按照此平移量与前帧图像在位置上配准。相位相关法利用了互功率谱的相位信息进行配准 , 从而对图像的亮度变化不敏感 , 具有一定的抗干扰能力。
图 1 运动目标检测方法流程
( 1)
其中 ( a, b )表示在图像 A 和图像 B 之间水平和垂直方向的平移量。对上式进行傅立叶变换 A ( u, v) = e- j2
( ua+ vb )
准 , 再进行差分运算 , 配准的背景图像就可以被减掉。然而由于差分运算 , 使得除了运动目标点以外的很多像素点位置上值不为零 , 总存在一些虚假的运动目 , 同时差分图像之间存在重叠区域 , 为了有效排除噪声、光照等一些影响 , 正确检测出运动目标。因此 , 可通过差分相乘来增强。由于多帧差分相乘的方法使差分图像中运动边缘的相关峰更加尖锐 , 从而可以排除干扰更好的检测出运动目标的边缘信息。因此为了增加运动目标信息 , 本文采用六帧相邻差分图像相乘 , 具体计算公式如下 : d( x, y ) = d 1, 4 ( x, y ) d 2, 5 ( x, y ) d 3, 6 ( x, y ) 式中 : d i, j ( x, y ) = f i ( x, y ) - f j ( x, y ) i = 1, 2 , 3 ; j = 4, 5 , 6 ( 5) 在去除配准的背景图像时 , 采用了六帧相邻差分法 , 该方法不同于传统的差分图像累加平均 , 差分累加方法不仅会使这三个差值信号中间部分出现较大值 , 而且也会增加其他有信号位置的值 ; 而差分相乘法只会在中间部分出现较大的值 , 而其他位置还将保持为零。同时由于该方法在背景运动补偿的基础上 , 拉大了目标与背景残留噪声的差异 , 因此具有很强的抗噪声和干扰的效果。从而能够有效排除噪声、光照等一些其他因素的影响 , 正确检测出运动目标的边缘轮廓信息 , 为目标的形心坐标奠定了基础。 3. 2 区域合并、分裂的图像分割通过相乘运算 , 运动目标被增强 , 在直方图中处于较亮的一级。绝大部分的背景处于直方图较暗的一级。但是 , 由于背景补偿的误差以及成像噪声的影响 , 仍有少部分背景差分残留噪声被放大到与运动目标相当的程度。同时发现背景噪声形成的强干扰点往往较孤立 , 不具备运动目标区域高灰度级像素密集的特点 , 在目标内部存在一些小的漏洞。而且 , 知道灰度图像是有 256 个灰度级的单色图像 , 多级别的

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

事实上，在运动背景下检测运动目标，往往需要对背景进行全局运动补偿[6]，其核心是通过相邻帧背景中对应数据点间的匹配来估计全局背景运动参数，从而将检测行为“转化”到静态背景情形下.Kim等人[7]提出了一种基于多单应性矩阵的运动背景下的目标检测方法，能较好地检测到目标，但检测出的目标形状往往不完整或有较大空隙，且该方法处理效率较低.Yang等人[8]提出一种基于空时特征的背景建模方法，通过无记忆的更新策略对背景模型进行更新来提取运动目标.该方法也能较准确地定位运动成份，但却容易造成目标的割裂.随机抽样一致性（random sample consensus，RANSAC）算法[9]具有易于实现和鲁棒性高的优点，是当前最流行的一种全局参数估计算法.但其主要缺点是迭代次数随“局外点（outliers）”比例的增加而急剧增长，导致算法效率显著降低.文献[10-11]提出了快速RANSAC算法，利用预检验或者在局内点集中重抽样等办法，大大提高了算法的收敛速度.近年来，研究人员在目标检测中引入视觉注意机制来提高检测准确度，文献[12]采用视觉注意机制结合粒子窗的方法，通过建立多级分类器来检测运动目标，取得了较好效果.但是该模型需要训练Adaboost或SVM分类器，不具备实时性.文献[13]基于视觉注意检测行人，并规划了注意焦点路径，该方法虽能检测到目标的显著位置，但难以获得目标的整体形态轮廓.
关键词：视觉注意；匹配；目标检测；置信度
中图分类号：TP391.4文献标志码：A
Abstract：It is difficult to detect the foreground targets accurately in the sequence images in the situation of moving background. According to the characteristics of the targets in moving backgrounds，a fast visual saliencyaided ViBe method was proposed. The “memory window” random sample consensus algorithm was first proposed to estimate the background motion model. Then，the compensated frames were delivered into the detection algorithm with adaptive background updating factor determined by the twodimensional entropy and saliency of the image. The saliency was also used to suppress the “ghost” effect. Experimental results show that，in the absence of prior knowledge of the moving foreground targets，the proposed method can effectively detect targets in the situation of moving background，and it also has good robustness and high efficiency.
根据运动背景下目标检测的特点，本文提出了一种视觉注意辅助的快速运动目标检测方法.首先提出了记忆窗随机抽样一致性（memory window random sample consensus，MWRANSAC）算法，将人类视觉系统（Human Visual System，HVS）的瞬时记忆特性应用到数据点的传播建模，对各匹配数据点对（pointpair）按照其置信度的大小进行重要性抽样，提高了算法的收敛速度.为了得到运动前景目标，将视觉注意机制引入至ViBe框架，利用视觉注意机制辅助生成动态背景更新因子，同时视觉注意也被用来对“鬼影（ghost）”进行有效的抑制.
基于图像序列（或视频）的目标检测常用的方法[2]主要有帧差法、背景差法和光流法等.帧差法所提取的运动目标内部易产生空洞甚至因快速运动造成不连续现象，虽然目前的三帧差法、五帧差法等对此有一定改善，但效果仍欠佳.背景差分法的检测效果依赖于背景模型的准确性，其中高斯混合模型（Gaussian Mixture Model，GMM）是应用广泛的方法之一[3].GMM对于静态背景下的检测有良好的鲁棒性，但是其更新学习的方式运算代价较大.ViBe[4]算法是近年提出的一种像素级的快速有效且易于实现的背景建模算法，它利用首帧即可初始化背景模型，对静态背景下的运动目标能取得良好的检测效果.光流法是近年来运动目标检测的一个研究热点，其在运动边界处的计算误差较大，而且算法中亮度恒定的假设通常会被光照变化和噪声破坏，此时将难以得到准确的目标运动信息.Liu等[5]在彩色图像的基础上提出了SIFT流方法，利用了SIFT描述子的尺度、旋转和仿射不变性.虽然SIFT流相较传统光流法提高了运动检测效果，但计算代价过大，因此处理效率较低.
一种运动背景下视觉注意辅助的目标检测方法
作者：ห้องสมุดไป่ตู้鹏王延江
来源：《湖南大学学报·自然科学版》2018年第08期
摘要：针对运动背景下序列图像中前景目标难以准确检测的问题，提出了一种视觉注意辅助ViBe算法的目标检测方法.首先利用提出的“记忆窗”随机抽样一致性算法估计出背景运动模型，再将补偿后的帧图像送入视觉显著性辅助ViBe算法进行目标检测，其中背景更新因子由图像的二维熵和显著性共同决定，同时，显著性特征也被用来对“鬼影”效应进行滤波抑制.实验结果表明，在缺乏运动前景目标的先验知识的情况下，本方法能够有效地解决通常方法对运动背景中的目标难以甚至无法检测的问题，并且具有较高的鲁棒性和检测效率.
Key words：visual attention；matching；target detection；confidence
運动目标检测是计算机视觉领域研究的热点之一.根据摄像头是否保持静止，可分为静态背景下的检测和运动背景下的检测[1].其中，运动背景下的目标检测由于整体场景发生移动、旋转或抖动，增加了检测的难度.