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.     

一种基于背景重建和视差图的立体视频对象分割算法

提出了一种基于背景重建和视差图的立体视频分割算法,利用背景、视差和边缘等信息进行运动对象分割。该算法首先采用基于块的背景重建方法获取视频序列的背景信息,再利用背景相减法获得运动对象的初步分割结果,然后利用立体匹配获得的视差图对初步分割结果进行修正,最后利用边缘信息和后处理操作获得最终的立体视频运动对象。实验表明,该算法能够有效地从运动背景中将视频运动对象完整地提取出来。     

基于动静背景下的视频对象自适应提取算法

在MPEG-4标准中提出了VOP(Video Object Planes)的概念,可以通过VOP实现基于内容的操作。这样,从场景中自动地分割出视频对象就成为基于对象视频编码的先决条件。为此,提出一种基于动静背景下的视频对象自适应提取算法。该算法可以自动提取动态背景、静态背景,也可以在视频序列中出现背景和对象都停止变化时实现视频对象的提取。同时,该算法引入了视频前景和背景预处理,克服了由于视频图像对比度低造成的提取出的部分视频对象轮廓不完整的问题。     

基于双帧图模型的视频物体分割

通过将空间及时序信息有效结合, 提出基于双帧图模型的单目视频物体分割算法。首先, 通过手工交互得到初始帧的分割, 并据此训练获取前景物体及背景的颜色模型。然后, 利用双帧图模型融合当前帧的颜色信息以及由颜色差得到的空间和时序约束。根据观测到的颜色差异与物体运动的线性关系, 提出运动自适应的时序约束因子, 它能够随视频中物体运动变化自适应地调节。最后, 通过二值图割法计算当前帧的分割结果并更新颜色模型。利用双帧图模型可循序地对视频中的下一帧进行分割。实验结果证实, 提出的自适应时序约束因子可以提高物体分割结果的准确性和时序一致性, 量化指标表明此算法在视频物体分割中可获得更优结果。     

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IP网的视频监控图像传输的研究

在网络化、数字化的视频监控系统中,应用基于小波变换的视频对象分割融合法,提出视图定位法,让前端的网络视频服务器实现前景运动对象与背景的分割,并在监控中心利用该视图定位法,快速实现前景运动对象图像和背景图像的融合.此外,对运用上述方法的视频监控图像传输进行了性能分析.最后,对本领域的研究进行了总结.     

一种基于背景的视频运动对象分割算法

就如何从视频序列中分割出具有语义意义的运动对象，本文提出了一种自动的基于背景的运动对象分割算法，利用颜色、形状和灰度等特征对第一帧图像进行初步分割，然后根据帧间运动信息构造背景图像，最后以背景图像和帧差图像作为参考图像，对同一场景中的所有视频帧进行快速可靠的分割．     

基于变化区域检测的运动对象分割方法研究

随着MPEG 4和MPEG 7的研究发展 ,如何从视频序列中分割出在语义上有意义单独运动对象显得极其重要 .最近几年形成的相应分割方法很多 .文章详细讨论了基于变化区域检测的运动对象分割方法如基于参数和非参数等 ,对其算法和性能进行了比较和评述 ,并分析了当前视频对象分割技术尚存在的问题和研究前景 .     

视觉显著性驱动的运动鱼体视频分割算法

针对养殖监控视频中运动鱼体目标检测问题,提出一种基于视觉显著性计算的运动鱼体视频分割算法.首先,将运动特征通道引入基于图论的显著性计算模型中,对多通道特征进行自动加权,生成全局视觉显著图.其次,利用基于方向梯度直方图的支持向量机分类器对显著区域进行目标确认,得到包含前景目标的感兴趣区域.最后,分割出运动鱼体目标,并将其标注在视频序列中.实验结果表明,所提方法在室内养殖监控数据集上能够很好地剔除水面杂波、反光等复杂背景干扰,实现运动鱼体的视频分割.     

自适应背景更新及运动目标检测算法

从视频中检测运动目标是智能视频监控应用中的一项关键技术.文中提出了一种基于区域的自适应背景更新及运动目标检测算法,首先使用高斯模型建立初始的静态背景图像,通过背景减法得到差值图像;然后使用自适应阈值对差值图像进行二值化,并利用形态学滤波和连通区域面积检测进行后处理,得到运动目标区域掩模;最后,根据运动目标区域掩模检测出运动目标,同时使用基于区域的自适应背景更新算法动态更新背景图像.实验结果表明,该算法能够自适应地对背景模型进行更新,对于背景的扰动、光线的渐变等带来的影响有很好的抑制作用,可以有效地检测出运动目标.     

面向视频编码的运动对象分割和提取

多媒体通信的发展迫切需要面向对象的视频编解码技术,其关键是视频对象（VO）的提取和视频对象平面（VOP）的分割,提出一种自动分割VOP的新方法。根据初始帧,使用形态运动滤波技术,初始运动对象首先被提取出;在后继帧中使用活动轮廓（Snake)技术对运动对象进行拟合匹配,最后根据一系列精确的二值轮廓导出运动对象的提取。实验结果表明,该算法可有效地提取视频对象和分割视频对象平面。除了个别参数需要调节外,整个过程是自动完成的。     

一种新型自适应嵌入式流形去噪视频运动目标分割算法

针对目前运动目标分割算法在复杂场景中适应性较差,时间复杂度较高等缺陷,提出一种新的运动目标分割算法,该算法通过自适应流形去噪实现刚性和非刚性对象的运动分割.首先,引入一种自适应核空间,如果两个特征轨迹属于同一刚性对象,则将其映射到相同点上;然后,采用一种基于自适应内核的嵌入式流形去噪算法,分割出刚性和非刚性对象的运动;最后,在多个数据集上与几种传统算法进行对比实验.实验结果表明,该算法在不同场景中均能取得更好的分割与跟踪效果.     

利用Kalman滤波的视频运动目标跟踪

提出一种基于kalman滤波的视频运动目标跟踪算法,首先对视频运动目标进行分割,求出运动目标的形心,再利用视频运动目标的形心所在宏块的运动矢量信息,用kalman滤波对运动目标的形心在下一帧的位置进行预测,从而快速、有效地自动跟踪多个目标对象.实验结果表明,该算法对运动目标的出现和消失,以及非刚性物体的尺度变化和变形,具有较强的鲁棒性.     

一种半自动分割视频对象的方法

提出一种半自动视频对象分割方法，通过对跟踪分割视频序列的后继帧，这种方法首先采用基于块匹配和最大边缘强度的运动估值和补偿方法进行对象轮廓定位，接着采用模板匹配以特定对象知识检测对象像素，为使轮廓定位更可靠，在块匹配的运动估值中使用了彩色信息，而模板匹配则使分割结果精确化，避免误差传递，并且在出现遮挡时只要对象颜色在整个序列中一直保持相似性，就能够正确测出对象，实验结果证明这种方法能够分割复杂场景中的任意对象。     

一种基于背景减法的运动目标检测算法

针对静止摄像机下的运动目标检测问题,提出了一种基于背景减法的运动目标检测算法.首先利用无拘束学习方式迅速建立多个可靠的RGB颜色背景模型,然后在运动目标分割过程中,及时地根据场景变化对背景模型进行更新,同时利用色度信息及局部交叉熵信息去除阴影,得到较为精确的运动目标.在对用普通USB摄像头获取的视频序列实验中,该算法显示了良好的性能.     

Motion Tracking with Fast Adaptive Background Subtraction

0　ＩｎｔｒｏｄｕｃｔｉｏｎＩｎａｎｉｎｔｅｌｌｉｇｅｎｔｖｉｄｅｏｓｕｒｖｅｉｌｌａｎｃｅａｎｄｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍ ,ｏｎｅｏｆｔｈｅｍｏｓｔｃｏｍｐｌｅｘａｎｄｉｍｐｏｒｔａｎｔｔａｓｋｓｉｓｒｅａｌｔｉｍｅｅｘｔｒａｃｔｉｎｇａｎｄｔｒａｃｋｉｎｇｍｏｔｉｏｎｏｂｊｅｃｔｓ .Ｉｎｇｅｎｅｒａｌ,ｔｈｅｒｅｅｘｉｓｔｔｗｏｍｅｔｈｏｄｓｆｏｒｅｘｔｒａｃｔｉｏｎｎａｍｅｄａｓｆｏｒｅｇｒｏｕｎｄｅｘｔｒａｃｔｉｏｎａｎｄｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎ ,ｒｅｓｐｅｃｔｉｖ…     

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.     

基于高斯混合模型的视频对象分割算法

针对应用高斯混合模型（GMM）进行视频建模与分割时的模型选择及参数估计初值选择的难点，提出了一种基于GMM的视频对象分割算法．首先进行特征提取，在特征矢量中引入加权运动信息，可根据不同需要选择合理的加权系数，然后通过分割投影进行模型选择及期望最大化（EM）算法的参数初始化并估计参数，这种初值选择方案使得EM算法的初值和真实值较接近，加快了迭代运算的收敛速度，从而提高了视频对象的分割速度，最后对特征矢量进行聚类分割．仿真实验表明，在保持良好分割效果的同时，所提算法的运算速度约为常规方案的76％，并且具有良好的稳定性．     

一种视频对象提取与跟踪的新方法

针对视频对象的分割问题，提出了一种新的视频对象提取与跟踪方法．首先采用分水岭分割和区域合并的方法进行初始分割，再通过光流场估计和全局运动估计计算全局运动的残余误差，在分割的每个区域上利用残余误差数据进行假设检验以确定运动区域，组合所有的运动区域即可提取完整的视频对象．然后使用双向投影的方法在后续帧中快速准确地跟踪视频对象，前向投影用来定位视频对象和简化分割计算，后向投影则用来确定每个分割的区域是否属于跟踪的视频对象．对MPEG-4测试序列的实验结果表明，本方法具有良好的分割性能．