轨迹关联是多目标检测和跟踪的关键技术，尤其在处理大量无明显纹理特征的目标如卫星影像中的运动目标时。本文介绍了如何在连续图像中搜索运动目标轨迹，并通过约束条件去除噪声。实验结果展示在CSDN资源，包括不同场景的视频，如变化背景的飞机检测和静止背景的汽车检测。采用并行算法显著提高了处理速度，但参数仍需手动微调。
轨迹关联是利用目标在时空域中状态变化的连续性进行目标检测和噪声滤除的有效手段，常用于多目标检测和跟踪中，一个常见的应用是基于车载视觉的行人以及车辆的检测和跟踪。而对于大量的、缺乏丰富纹理特征的目标的情况，比如我在另一篇博文里提到的CLIF数据库，一副图像中存在上千个汽车，一般的多目标跟踪算法都将难以适用。比CLIF的情况更差的，是如下图所示的卫星影像图像中的运动目标检测：
首先贴一下这里用到的几个视频的来源，都是公开的，广告视频，被压缩过，且有各种水印。
视频一：http://www.berlin-space-tech.com/index.php_id=26.html
视频二：http://www.firstimagery.skybox.com/hd-video/
也可以去YouTube上分别搜索LAPAN-TUBSAT和Skybox，都能找到很多。
上图是一张示意图，黄色圆圈中间一坨大概15个像素的亮团其实是一架飞机，红色那些点是我们做完图像匹配以后差分得到的，其中大部分是噪声和干扰，我们的轨迹关联算法能够检测出其中的飞机，做法大概就是在连续若干幅图像里搜索运动目标轨迹，由若干约束条件来去除不合理轨迹。
我把我们的处理结果放到了csdn资源里，都是算法一遍跑出来的，没有任何修饰。不过，算法还做不到参数自适应学习，每个视频都有一个对应的参数配置文件，都是微调，不需要太大改动。
视频1、2：变化背景，低分辨率图像上检测运动飞机 (结果已经上传到CSDN资源，点击图像打开资源页)
最低0.47元/天 解锁文章
4578
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
