一种基于帧间差与图像分割的运动目标分割方法

视频图像中对运动目标进行分割是十分有意义的.传统的背景减除法和帧间差法在提取运动目标的时候各有自身难以克服的缺点.基于阈值、边缘、直方图的图像分割一般只适合于静态目标的分割.提出一种结合图像分割(Graph Cuts)和帧间差的新方法进行运动目标分割.帧间差法具有良好的稳健性,而Graph Cuts算法则弥补了帧间差无法获得完整运动信息的缺点.利用帧间差法得到不完整的运动信息对Graph Cuts进行分割约束可以准确、稳定地提取出运动目标.     

一种固定背景下运动视频对象的自动分割方法

提出了一种固定背景运动视频对象的自动分割方法．该方法通过互帧差四次矩检测运动对象，利用背景减除对点分类，最后用彩色分水线算法得到运动对象实验证明该方法能够对固定背景下运动视频对象进行实时自动分割．     

基于背景差法的运动目标检测

视频序列图像中,视频分割的主要目的是要在视频序列中分割出具有意义运动对象实体.背景差法能够很好地从一段视频中提取出运动目标.可靠的背景图像的提取是该算法的关键.表述了一种新的背景提取算法,利用图像序列的灰度统计特性来提取背景图像,并利用Surendra背景更新算法根据每帧图像对背景进行更新已获得可靠的背景.然后,将当前帧与背景作差,并对差值图像进行适当处理,这样运动目标就能够被精确地提取出来.     

基于背景差法的视频图像分割

本文运用背景差法来进行视频图像分割。利用一种背景更新的方法来获取背景图像,解决了手动和统计获得背景的方法对背景变化不具有自适应调节作用的缺点。然后将当前帧和背景作差,并对差值图像进行二值化以及形态学处理,使运动目标被很好地分割出来。     

基于帧差法和边缘检测法的视频分割算法

针对目前常用的视频分割方法易受到噪声、亮度突变的影响,很难提取出完整的运动目标这一问题,提出一种基于帧差法和边缘检测法相结合的视频分割算法.该算法首先对连续三帧图像进行差分得到运动区域,然后对当前帧进行Kirsch边缘检测得到边缘图像,综合二者的检测结果得到更为精准的运动对象边缘.采用边缘连接算法完成对断裂边缘的连接,最后通过区域填充得到运动目标掩模图像,从而分割出完整的运动目标.实验表明,该算法可以实时有效地将运动物体从视频序列中自动地分割出来.     

基于帧差和Otsu的红外行人分割算法

针对红外图像中行人与环境对比度较低,直接进行分割易产生误分割问题,提出一种基于帧差和Otsu的红外行人分割算法.首先选取红外视频序列中时间间隔较短的2帧图像求其帧差图像,对帧差图像采用Otsu分割得到运动目标的部分区域;然后对基准帧也采用Otsu方法分割,并将帧差图像分割结果与基准帧分割结果相乘,得到目标区域的种子像素;最后在基准帧分割图像上,通过连通性判断得到最终的行人分割区域.实验结果表明,该算法很好地克服了环境带来的干扰,鲁棒性强,能有效实现红外行人目标的分割.     

基于分块帧差的视频图像运动检测

在常用的图像运动检测方法基础上提出了一种改进的运动目标检测算法,即将连续2帧差图像和背景差图像直接相乘,再将相乘的结果进行二值化处理得到运动检测结果,从而将运动目标从背景图像中分离出来,最终得到视频序列图像中运动存在与否的一个二值运动模板,提高了运动检测的效果。     

基于时间轴小波变换的运动对象分割算法研究

对时间轴一维小波变换的视频运动对象分割算法进行了研究。将视频序列进行时间轴一维小波变换，利用变换后的高频帧信息提取出初步的运动掩模图像；进行数学形态学后处理，以消除各种噪声的影响和对象的不连通性，得到理想的运动掩模图像。实验结果表明该方法分割效果较好，分割出的运动对象可直接应用于基于对象的视频编码，且算法耗时较少。     

基于时间轴小波变换的运动对象分割算法研究

对时间轴一维小波变换的视频运动对象分割算法进行了研究。将视频序列进行时间轴一维小波变换，利用变换后的高频帧信息提取出初步的运动掩模图像；进行数学形态学后处理，以消除各种噪声的影响和对象的不连通性，得到理想的运动掩模图像。实验结果表明该方法分割效果较好，分割出的运动对象可直接应用于基于对象的视频编码，且算法耗时较少。     

智能视频监控中高效运动目标检测方法研究

针对智能视频监控中的运动目标检测技术,提出了通过帧间差分法重建背景图像,辅以背景差分法分离当前帧图像中的背景点和运动目标点,然后通过滤除非连续运动目标点来减少误识率的方法.采用自适应背景更新方法,使背景每隔一定的时间间隔更新一次,以达到理想的分割效果.     

基于序列图像时间稳定性特征的背景估计技术

针对背景的缓变特性和实时图像处理的需求,该文提出了一种基于序列图像时间稳定性特征的背景估计技术。采用一个时间矩阵来监视序列图像的稳定性特征,利用背景在时间上的缓变特性来实现对背景的提取和更新。结果表明:该方法具有简单有效、实时性能好、内存消耗少、背景提取速度快等特点,并对突变背景具有自动感知能力;时间矩阵对于运动目标的分布和轨迹分析也具有参考价值;该方法特别适合静止摄像机的背景估计,在背景配准后也适用于移动摄像机的背景估计。     

一种基于轮廓特征的运动目标识别方法

针对视频图像中形状匹配的局限性,即当待检测物体出现平移、旋转变化时识别目标需要很长的计算时间,提出了一种基于轮廓特征的运动目标识别方法.首先获取能自动更新的背景图像,采用背景减法提取运动目标的轮廓,然后运用其轮廓的边界不变矩特征和形态学特征,构建一个轮廓特征向量的模型,再分析比较待测运动目标轮廓特征向量与每类标准样本之间的欧氏距离,实现对运动目标的识别分类. 试验结果表明,该方法具有识别精度高、计算量小、实时性好的特点.     

动目标图像实时输入与处理微机视觉系统

本文介绍了一种基于微机的动目标图像实时输入与处理视觉系统。采用局部总线设计技术,集输入与处理为一体,使设计达到了单板化,将其直接插入IBM-PC及其兼容机槽内即可构成系统。并采用流水线、并行作业和时间重叠等方法,可将动目标实时从复杂背景中分割出来。通过场控制器,本系统可一边输入,一边运算,进行实时图像加减、特征提取、边缘检测和二值化运算等;多种运算方式使本系统在尽可能大的空间范围内跟踪动目标。本文提出了“扩展虚存”思想;设计了高速DMA控制器;应用了硬件开窗技术。系统经过运行实验,可满足一般性动目标的分割与跟踪。     

基于差分法和概率估计方法的运动目标检测

针对视频序列运动目标检测问题,提出根据灰度直方图概率密度函数特点自动确定阈值的方法,以准确地从背景中分割出运动目标.本文以差分法为基础,利用正态分布的经验法则确定阈值,对差分图像进行分割,并用方框标识运动目标.该方法省去了滤波、形态学处理等冗余步骤,缩短了图像处理的时间.实验表明,该方法实时性强,且对面积较大或较小的运动目标都能达到有效跟踪的目的.     

一种混合高斯背景模型下的像素分类运动目标检测方法

运动目标检测在智能视频监控、人机交互、目标导航等诸多领域有着广泛应用.背景减法是运动目标检测中应用较广泛的一种方法.在该方法中,背景建模和阈值化分割是最重要的步骤,直接决定了检测效果的好坏.当目标本身变化比较大时,若利用传统的基于全局阈值的分割法,分割效果并不理想.针对基于全局阈值分割差分图像存在的问题,本文提出了一种基于混合高斯背景模型的像素分类运动目标检测方法.该方法首先利用混合高斯模型对背景建模,克服了场景变化等因素带来的影响;其次,利用背景减法得到差分图像并对像素进行分类,最后对分类后的像素集分别进行阈值化分割,得到前景目标.实验结果表明,与传统的基于全局阈值的分割法相比,本文算法能够获得更好的检测效果和鲁棒性.     

一种基于运动背景的视频对象分割算法

随着MPEG-4和MPEG-7的研究发展,基于内容编码和面向对象的存取和交互技术日益得到人们的重视,视频分割技术正在成为当前视频研究领域的热点之一,但是,目前的分割研究大部分是在没有全局运动的情况下进行的,对于运动背景下视频对象的分割研究还不多.为此,提出了一种新的基于改进分水岭和光流的视频分割算法,即先将原始图像使用改进的分水岭算法标记成不同的灰度区域,然后以光流法得到的对象运动信息作为评判准则,将这些区域分别归类于前景对象和背景,达到从运动背景中分割出前景对象的目的.仿真实验表明,此算法能够较精确地分割出视频对象.     

复杂场景下运动车辆实时动态自适应检测方法

针对复杂交通场景中运动车辆检测方法存在的局限性,提出了一种基于自适应背景与改进动态阈值相结合的运动检测算法.基于当前帧与背景相减得到的差分图像,利用自适应阈值选取方法分别对差分图像的三个颜色通道进行二值化,从而实现运动目标的精确检测.根据检测结果,采用中值更新策略实现背景图像的实时更新.实验结果表明,该算法可以从复杂交通场景图像序列中有效地检测出运动目标.而且算法计算量小,具有良好的鲁棒性与实时性品质指标,能够很好地满足智能交通监控系统中运动车辆实时检测技术要求.     

一种运动背景下目标快速定位方法

针对运动背景下目标检测算法计算量大,难以实现实时跟踪的问题,提出了一种目标快速定位方法.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,用形态学处理消除噪声斑点,最后通过连通区域像素个数统计判决,进一步去除伪目标,最终定位目标区域.试验结果表明该方法能在2-6 ms内准确定位平移运动背景下的目标.     

提高Mean-shift跟踪算法性能的方法

针对Mean-shift跟踪算法,在目标色彩特征不突出,或受到光照、阴影等影响,或有干扰物体靠近目标时,很容易发生跟踪错误等问题,采用色彩融合模版和位置预测来提高Mean-shift跟踪算法的性能.在对图像的RGB三色进行简单的线性融合的基础上,提出了根据前景和背景直方图的相似度函数去选取目标特征最突出的融合图像的算法,并据此建立3个目标模版.对目标的位置先进行卡尔曼预测,再用Mean-shift算法对3个模板分别进行跟踪,最后融合跟踪结果.实验结果证明,提出的方法能在复杂背景下跟踪目标,并能更好地应付阴影、光线等变化.此外,它能有效地避免相似物体靠近目标或者和目标交错引起的跟踪失败.     

基于背景差值法的运动物体检测

从图像预处理、背景差值和区域生长3个方面阐述了基于背景差值法的运动物体检测方法。