Moving object detection using color distribution motion enhancement and comparison

为检测无人机视频中的地面运动目标,提出了一种运动和颜色信息相结合的算法,采用前向运动历史图像来增强独立运动信息和抑制背景噪声,确保完整分割出候选运动区域;提出一种迭代的、基于局部颜色分布比对的方法,去除候选区域中的背景像素,以更准确地提取单个运动目标,算法不仅节约了计算量,还有效降低了误检和漏检的可能性．多组无人机视频的实验结果表明了所提算法的高效性和鲁棒性。     

运动信息引导的目标检测算法

在室外监控视频的场景下,由于场景的复杂性及目标的多样性,监控视频中的目标存在难以检测的情况,如目标被遮挡、目标尺寸变化等,目标检测任务仍然存在挑战。基于此,提出了一种利用运动信息引导基于卷积神经网络的目标检测算法来提高目标检测的准确率。对运动目标检测算法进行一定的改进,使得到的运动前景图中能够保持静止目标前景的存在;利用运动前景图中的前景可以指示目标空间位置的特点,在特征层面将网络提取的特征图与获取的以运动前景图为主的运动信息相融合,提高特征图可能存在目标区域的响应值;在目标检测算法的检测器中,引入一个定位分支,利用视频帧的运动前景图,学习候选目标的定位置信度,并与目标的分类置信度加权求和,作为目标最终的置信度,再通过非极大值抑制方法得到检测结果。实验证明,在固定摄像机下采集的数据集中,所提算法能够提升目标检测的准确率。     

面向地面运动目标的无人机协同航迹规划

由于现有无人机协同航迹规划主要局限于固定目标,提出了一种面向地面运动目标的无人机协同航迹规划方法.给出面向地面运动目标的无人机协同航迹规划总体方案;采用按时间推进的自规划与同步规划交替进行的协同规划机制,满足协同信息交互存在时间间隔的约束;在规划中将无人机运动与地面目标运动结合并构造适合于地面运动目标的启发函数,利用启发式搜索算法快速生成航迹段;采用分布计算协同变量的方法降低了协同计算量.仿真结果表明该方法可以使无人机通过信息交互和自主分布计算快速生成面向地面运动目标的三维协同航迹,且满足规划的实时性要求.     

基于边缘对称性的视频车辆检测算法

针对现有视频车辆检测算法受光照、阴影等环境因素影响大,漏检和误检率高的问题,提出了一种视频车辆检测算法.有别于传统算法使用运动特征进行车辆检测,该算法使用边缘特征和对性特征定位车辆.算法首先对图像进行灰度化、平滑去噪等预处理,使用Sobel算子垂直方向掩模计算图像感兴趣区域内的边缘梯度,确定候选区域;而后根据车辆图像垂直边缘具有对称性的特点,分析候选区域的对称性强弱,并计算其对称轴位置和车辆宽度.使用边缘强度、对称性和宽度这3个约束条件对候选区域进行验证.道路实验结果表明,该检测算法有效、可靠,具有良好的鲁棒性.      

利用H.264中运动矢量实现运动目标检测

针对视频压缩和运动目标跟踪同时实现的应用,通过研究H.264压缩标准中运动矢量包含的图像运动信息并分析运动估计原理,提出了一种利用视频压缩中的运动矢量信息实现运动目标检测的方法,确立了H.264编码流中运动矢量与场景中物体运动状态的对应关系.将运动目标从背景中分离是检测算法的核心.对于双门限值的设置,可分离不同运动速度的目标;同时,算法排除了背景运动的干扰,因而可应用于摄像机运动的场合;由于检测算法所用的运动矢量直接来源于H.264编码过程,而大大降低了计算复杂度,利于硬件实现.     

无人机复杂环境中跟踪运动目标的实时航路规划

在复杂地形环境中,无人机在跟踪运动目标时,现有的航路规划方法在实时性和可行性上存在一定缺陷.提出了一种新的滚动窗口启发方向计算方法,使其能够跟踪运动目标,同时在滚动窗口内采用流函数法进行避障.根据无人机约束,滚动窗口为三角形,并设计了基于行为的伸缩功能.在流函数中,利用水势能方法克服了陷阱地形并进行了航路平滑.仿真结果表明:这种混合算法对于复杂地形条件下跟踪运动目标的航路规划,能够减小规划算法的时间和空间复杂度,使规划出的航路适于无人机飞行.     

基于运动模型的低空非合作无人机目标识别

为保障低空安全,在利用雷达数据探测无人机目标的同时剔除飞鸟等虚警信息,提出了一种基于运动模型的低空非合作无人机目标识别方法,作为已有目标跟踪方法应用的拓展。首先,建立多种运动模型模拟无人机和飞鸟目标运动;然后,基于多种运动模型进行目标跟踪,并估计各种运动模型的出现概率;最后,以各种运动模型在连续时间内出现概率的方差均值来度量目标运动模型的转换频率。通过对仿真数据和机场低空监视雷达实测数据的处理,所提方法能够在杂波环境中跟踪无人机目标并剔除飞鸟目标,进一步验证了其有效性和实用性。      

基于指数平均动量鸽群优化的多无人机协同目标防御

针对多无人机(UAV)协同目标防御问题,提出了一种基于指数平均动量鸽群优化(EM-PIO)算法。针对三维空间中的多无人机协同目标防御系统进行建模,得到了无人机支配区域的曲面约束方程,并获得了双方无人机的最优控制输入量。采用多级罚函数法构造了优化算法的目标函数,并通过所提出的EM-PIO算法来求解最优目标点。将所提EM-PIO算法与遗传算法(GA)和粒子群优化(PSO)算法进行仿真对比实验,验证了所提EM-PIO算法更加有效解决多无人机协同目标防御问题。     

复杂交通场景中多运动目标分割算法

针对室外复杂交通场景中多运动目标分割问题,提出了一种由变化检测和运动分割组成的算法,利用水平集算法对帧差图像进行变化检测得到运动窗口,在运动窗口范围内进行改进的k-均值聚类分割,利用运动相似性进行分割区域融合.算法避免了整个图像的分割,减少了运算量,完整的分割出运动目标.试验结果表明,算法不仅能从复杂交通场景图像序列中有效的检测和提取出运动目标并有很强的鲁棒性,而且能够解决运动目标的遮挡问题.      

未知区域中四旋翼无人机集群协同搜索与围捕算法

四旋翼无人机集群可以被用来进行区域侦察,以建立对环境与兴趣目标的认知。为四旋翼无人机集群提出一种分布式协同搜索算法和动态目标包围技术，以解决在未探测区域定位和监测目标中所遇到的挑战。为降低所提算法的复杂度，通过栅格划分方法将任务区域划分为2级栅格子区域。考虑到动态目标的随机性，设计一种数字信息素来引导多无人机对任务区域进行2次搜索，并以快速搜索到目标为奖励函数，通过滚动优化决策得到最优解作为无人机的输入。然后，基于一致性协议设计一种多无人机协同跟踪与围捕协议，以获取动态目标的实时信息。数个仿真结果与室外飞行实验验证了所提算法能够使四旋翼无人机对未知区域中动态目标进行有效搜索与动态监视。     

面向低视角场面监视的移动目标速度测量

为构建有效的机场场面视觉监视系统,提出了一种基于特征点持续跟踪与分析的移动目标速度测量方法。首先,利用场面几何特征对摄像机进行标定;然后,基于光流场对图像运动区域的特征点进行持续跟踪,在此基础上通过特征点轨迹聚类区分不同移动目标;最后,根据特征点高度与运动距离完成速度测量。所提方法能够利用机场场面摄像机获取的低视角单目视频图像,对移动目标的运动速度进行准确测量。基于广州白云国际机场的场面运行视频进行了仿真分析,验证了所提方法在低视角速度测量方面的可行性与优势。      

基于Gabor滤波器的航空图像居民区域提取

中低分辨率航空图像中居民区域的自动提取对地理信息系统更新和无人机导航具有重要作用.详细分析了Gabor滤波器参数对纹理提取的影响,提出了一种基于Gabor滤波器的居民区快速提取算法.算法包含4步:运用Gabor滤波器分析图像纹理,采用核密度估计生成居民区域置信图像,进而计算自适应阈值分割置信图得到候选区域,最后根据区域几何形状去除干扰得到居民区.算法平均运算时间为0.42s,实验结果表明了算法的高效性和准确性.     

家庭安全监控的实时异常检测与分类算法

同时具有好的实时性和稳健性是基于视频的安全监控系统异常检测算法的难点问题.在家庭安全监控系统中同时利用像素的亮度分量和色度分量检测变化像素,解决摄像镜头由于大尺寸对象闯入引起的图像背景变化造成运动对象检测失败的问题;提出一种实时运动对象分类算法,综合利用开关灯检测、运动距离分析和皮肤探测多种方法,区分是否出现影响家庭安全的事件;提出3关键值背景维护算法,用于消除背景振动像素,减少虚假报警.实验表明,本文异常探测算法对视频监控系统异常探测和消除虚假异常报警具有较好的实时性和稳健性.      

基于视频数据的机场跑道外来物检测

提出了一种基于视频数据的机场跑道外来物(FOD,Foreign Object Debris)检测算法,该算法包括几何校正、背景差分、杂波抑制和伪装消除等4个步骤.其中,几何校正排除了摄像头轻微抖动造成的图像差异;背景差分利用每个像素对应的颜色向量信息,建立背景模型并进行定时更新;杂波抑制和伪装消除利用差分图像和原始图像信息,建立马尔科夫随机场和概率统计模型,在降低虚警的同时提高了检测率.将本算法应用于两组不同光照条件下获取的视频图像,检测不同形状和颜色的FOD目标;采用本算法对机场实测数据进行测试,验证了算法的有效性.     

基于动态流体扰动原理的三维滚动航路规划

针对复杂环境中存在运动目标、移动威胁与突发威胁等多种情况,将动态流体扰动算法与滚动优化策略相结合,进行无人机(UAV)三维动态航路规划.基于移动目标运动信息与威胁运动信息引入相对初始流场,用扰动矩阵量化表示障碍物或威胁对相对初始流场的扰动影响,计算相对扰动流场,进而得到实际流场流线即无人机规划航路.充分利用实时环境信息,综合考虑未来运动态势,在有限时域内采用动态流体扰动算法规划出可选航路,然后构建目标函数,滚动优化反应系数,实现在线航路规划.仿真结果表明,该算法能较好地适用于复杂动态环境.      

基于视频帧间运动估计的无人机图像车辆检测

基于人工智能(AI)芯片搭建轻量化深度神经网络,可以在无人机(UAV)机载端实现视频中车辆目标的自动检测,具有重要的应用前景。为此,提出了一种针对无人机图像车辆目标的检测方法,并在AI芯片上进行部署与测试。方法具体包括:结合无人机图像中车辆目标的尺寸范围,对MobileNet-SSD网络进行裁剪,构建轻量化单帧图像检测器;为解决小目标特性在轻量网络框架下引发的检测性能下降问题,引入帧间运动矢量估计,根据相邻帧信息辅助预测当前帧丢失目标的位置范围,并利用检测结果进行修正,实现丢失目标的再召回。通过对多个数据集进行融合与自动补充标注,搭建了一个高质量的无人机图像车辆目标数据集;同时将方法在基于RK3399芯片计算的嵌入式开发平台上进行实验验证,结果表明:搭建的网络能够显著减少存储资源占用,具有轻量化的特点;同时相比于单帧检测法,引入视频帧间运动估计方法可以有效提高检测精度,并在AI芯片上实现125.3 ms/帧的检测速度。      

一种基于曼哈顿距离的帧间加权预测算法

合并模式通过共享邻域块的运动矢量（MV）来节省编码运动信息比特数,有效提升了编码器率失真性能。然而,当前合并模式中的运动补偿预测（MCP）不够准确。为此,分析了合并模式中的预测残差分布特点,并提出了一种基于曼哈顿距离的加权预测算法作为合并模式的附加候选项。首先,采用邻域合并候选项的运动矢量进行运动补偿预测得到多个预测块;然后,根据候选块位置与像素点的曼哈顿距离对获得的多个预测块进行加权平均得到附加候选项;最后,通过率失真优化（RDO）从附加候选项和原有候选项中选择出最佳的合并模式。实验结果显示:在联合探索测试模型JEM 7.0平台上,所提算法在不同的编码器配置下均获得了率失真性能的提升,其中低延迟P帧下达到了平均1.34%的比特率节省。      

基于分段化结构重建的2D/3D视频转换方法

为了缓解3D片源的不足,设计了一种分段化结构重建方法为视频2D/3D转换提供深度线索.采用分层提取的方式,将视频基于内容分解为子序列,在每个子序列中建立优化准则选择出处于非退化状态的关键帧,并以此为基础提出了分段化结构重建框架,利用改进的耦合自标定算法重构出每个子序列对应的离散3D结构信息,从而获取视频的深度线索.实验结果表明,该方法通过分段化后的局部优化,不仅使结构化重建能够有效处理多场景下的连续镜头,还加快了转换的效率,能够稳定、高效地获取深度信息,适用于视频2D/3D转换.