运动目标检测是智能视频监控系统中的重要步骤和前提。提出了一种基于随机背景建模的非参数化建模算法, 对场景中运动目标进行快速提取跟踪。在初始化阶段, 从当前像素的邻域中随机抽取样本值作为背景模型; 在模型更新阶段, 引入了随机更新策略和背景传播机制, 能够较好地抑制环境噪声; 在后处理阶段, 给出了一种基于积分图的前景滤波优化方法, 进一步滤除噪声和填充前景空洞。实验结果表明, 在复杂场景条件下, 算法的目标检测性能明显优于其他几种同类算法, 能够较好地抑制噪声干扰, 具有较高的检测正确率。对于360×288像素的测试视频, 算法的计算速度高达120 f/s, 完全可以满足实时应用。
随机背景建模 目标检测 智能监控 积分图 randomized background modeling object detection intelligent visual surveillance integral image
提出一种基于动态特征融合的粒子滤波目标跟踪算法。选择具有互补性的灰度直方图和梯度直方图特征共同描述目标模型，然后在目标跟踪过程中，根据特征对目标和背景的区分程度动态地调整每个特征的置信度，对目标模型进行在线动态建模和更新，从而提高目标模型描述的准确度，并进一步提高粒子滤波算法的跟踪精度。实验结果表明：在对典型场景下的目标跟踪过程中，提出的算法比单独使用一种特征的粒子滤波算法具有更高的跟踪精度和更稳定可靠的跟踪性能。
目标跟踪 粒子滤波 动态特征融合 目标模型 object tracking particle filter dynamic feature fusion object model
1 西北工业大学 航天学院，陕西 西安 710072
2 西安应用光学研究所，陕西 西安 710065
由于在成像制导过程中需要实时处理大量的信息，为了在尽可能保留有效信息的情况下降低计算量，采用了一种人眼视觉非均匀采样模型——对数极坐标模型，来压缩信息量以提高计算速度；另外，由于对数极坐标变换对目标形状具有旋转和缩放不变性，在跟踪非刚性目标时该模型能表现出很好的稳健性；考虑到复杂环境中目标跟踪包含强噪声和强杂波，而且目标模型是非高斯非线性的，针对这些问题，在人眼非均匀采样模型的基础上，将基于目标强度特征的Mean shift 跟踪方法与粒子滤波相结合，将Mean shift 算法用于采样粒子滤波,有效地降低了抽样的粒子数，并对算法进行了数字仿真；实验结果表明，该方法能够有效抑制匹配点漂移，并且降低目标跟踪的计算量，是一种稳健的目标跟踪方法。
粒子滤波 目标跟踪 非均匀采样 particle filter Mean Shift Mean Shift target tracking non-uniformity sampling
由于在成像制导过程中需要实时处理大量的信息,为了在尽可能保留有效信息情况下降低计算量,采用了一种人眼视觉非均匀采样模型——对数极坐标模型,来压缩信息量以提高计算速度；另外,由于对数极坐标变换对目标形状具有旋转和缩放不变性,在跟踪非刚性变形目标时该模型能表现出很好的稳健性；考虑到在成像跟踪末段,质心、角点之类的跟踪方法会产生匹配点漂移,为了抑制匹配点漂移,采用基于目标强度特征的Mean Shift跟踪方法,并对采用Gauss核函数的Mean Shift方法进行了优化来加快计算速度；实验结果表明,该方法能够有效抑制匹配点漂移,是一个稳健的目标跟踪方法.
非均匀采样 对数极坐标变换 Fourier级数 匹配点漂移 Non-uniform sampling Mean Shift Mean Shift Log-polar transform Fourier series Matching point drift
