融合颜色与运动信息的视频显著性滤波器

根据人眼视觉的特点,提出一种融合颜色及运动信息的视频显著性滤波器.该滤波器分三个步骤检测视频图像的显著性区域:首先利用超像素分割算法将视频图像划分为若干视觉近似一致的紧凑子块;其次以统一的多维高斯滤波形式计算四个测度,分别表征每个子块的颜色独立性、颜色空间分布、运动独立性以及运动空间分布;最后同样通过多维高斯滤波对四个测度进行融合以生成视觉显著性图,进而检测出视频中的显著性区域.实验结果表明:与其他现有的显著性检测方法相比,该滤波器能更准确地检测出视频中的显著性区域.     

低秩矩阵和结构化稀疏分解的视频背景差分方法

针对基于矩阵分解的视频前景检测传统算法中忽视前景元素之间相关性会导致检测结果容易受噪声干扰和运动目标检测不完整等问题,提出了一个低秩矩阵和结构化稀疏分解的视频背景差分算法。该算法充分考虑到视频前景区域的结构化分布特征,利用结构化稀疏范数对前景进行约束;针对矩阵分解方法中参数选择的难题,采用了一种基于运动显著性判定的两步法来实现动态背景去除和正则化参数的自适应选择,即第一步利用低秩和结构化稀疏分解获得运动候选块,第二步对运动候选块进行显著性分析并利用自适应正则化参数的块稀疏分解进行前景检测。实验结果表明:与现有的基于矩阵分解的前景检测方法相比,该算法能够更加适应复杂多变的视频环境,在I2R测试库中检测出的前景有较高的精确度和召回率。     

基于上下文和稀疏表示的异常行为识别

提出了一种基于上下文和稀疏编码框架的无监督异常行为识别方法。首先对图像进行稠密采样,获得稠密轨迹,并提取轨迹中心周围图像块的形状特征、R–HOG、HOF特征作为特征描述符,加强了对运动信息的描述。其次,将人体行为区域和上下文区域分割开来建立2个独立字典。再将它们组成联合字典最大化字典信息,避免了单独识别人体异常行为而忽略上下文信息所导致的漏报。最后,利用稀疏重构的方法进行异常检测,分别计算测试样本中上下文区域和行为区域的重构误差,相对重构误差为负表示为正常行为,否则判断为异常行为。在KTH行为数据集上进行对比实验,实验结果表明本文算法在不同背景下均能有效识别异常行为。     

基于时空视频块的背景建模

提出了一种基于时空视频块的背景建模方法,时空视频块同时包含空间表观信息和时间运动信息.一个给定的背景位置在所有可能光照条件下的时空视频块集中位于一个低维的背景子空间中,而运动前景的时空视频块散布在背景子空间外的整个高维视频块空间中,采用一种高效的在线子空间学习算法实时更新背景子空间的主成分,根据时空视频块到背景子空间的距离来区分背景时空视频块和前景时空视频块.实验结果显示,本文中提出的方法能够在光照剧烈变化、前景与背景对比度较低的情况下准确地检测出前景目标.     

基于时空信息约束的密集人群分割方法

在密集场景中,人群可以看作是由三五成群的、具有运动一致性的子群体构成的集合.为了能划分这些子群体,以便对人群的交互行为进行分析,提出了一种基于时空信息约束的分割方法.该方法首先利用背景建模和特征点跟踪,获取视频图像帧中运动目标的时空信息;然后,利用前景中群体分布的空间区域信息,将空间上相邻近的人群划分为若干个子群体;最后,通过一段时间内的运动相关性将子群体进行进一步的分割.这两种约束信息相互作用,得到具有运动一致性的子群体.通过大量实验验证测试,表明该方法可以应用于不同人群密度、视角范围等多种场景视频.     

基于显著性区域的红外行为识别

视频特征的提取是行为识别方法中一个关键步骤,当视频场景中存在无关行人或者背景干扰时,提取的特征往往会包含较多的干扰信息,这将严重影响分类器的分类效果,进而影响行为识别准确率。针对这类问题,提出了一种基于显著性区域的红外行为识别方法。该方法对视频序列提取光流运动历史图(optical flow motion history image, OF-MHI)特征,获取视频序列的运动信息,此步骤旨在消除图像背景及静止目标干扰。利用类别激活映射(class activation map, CAM)方法进一步消除运动目标干扰,获得兴趣目标显著性区域,进而获得显著性区域特征图。输入卷积神经网络(convolutional neural network, CNN)提取最终特征,并采用支持向量机(support vector machine, SVM)获得识别结果。与传统方法相比,实验结果表明,该方法有效地提升了识别准确率。     

双粒度光流流形学习的刮刷总成摆杆摆幅检测

在基于机器视觉检测的客运车辆日趟故障安全例检自动化设计中,针对子空间聚类算法对汽车刮刷总成摆杆摆幅检测中因玻璃复杂背景导致光流轨迹过于稀疏的缺陷,提出了一种双粒度光流流形学习的汽车刮水器总成主副摆杆运动分割算法。首先将摆杆满幅等长LDOF变分光流轨迹作为粗粒度光流进行稀疏子空间聚类,获得可靠的种子样本;然后通过构建稠密细粒度光流与粗粒度光流的轨迹时空相似度流形拓扑图,并在图上利用调和函数将种子轨迹样本邻接节点标签凸松弛为高斯随机场进行半监督标签扩散,从而获得稠密的雨刮运动区域,以便进一步做RANSAC直线拟合和摆角计算;最后,将该算法模块经过ocx插件封装后以回调函数体的形式嵌入客运站的车辆跟踪模块进行同步,并在客运站现场采集了6种不同照度下4种车型共153车次的进站安检视频,用于分析比较同步后的两种粒度流形学习算法对摆杆的运动分割后直线拟合误差与摆角误差。实验结果表明:本算法对运动摆杆的拟合与其摆角计算的精确率均可以达到85%以上,具有进一步推广应用前景。     

基于积分通道特征的异常行为检测算法

对视频中的行人异常行为检测问题进行了研究。针对传统行人异常行为检测算法在准确性和兼容性方面的不足,提出一种基于积分通道特征的异常行为检测算法;该算法利用背景分割和行人信息统计的方式,对不同背景下的视频模型进行了建模。结合对行人个体的轨迹分析,对运动个体的位置进行异常行为检测。算法首先对检测区域采取区域划分,然后采用改进的积分通道特征行人检测算法对目标进行检测,最后采取Mean-shift算法对目标进行跟踪。最后的实验数据表明该算法整体性能有所提高。     

基于典型相关树加权置信传播的运动目标检测

针对基于视频的运动目标检测中视频背景复杂多变的特点,提出一种基于典型相关树加权置信传播的算法进行运动目标提取.首先将视频图像分成大小相同的子块,构造出有环图模型;再运用tree-reweighted算法将环路分解成生成树的形式,进行有环图模型的目标优化检测;然后利用典型相关分析求解相邻子图像块之间的典型相关系数值,选取典型相关系数值最大的两子图像块进行连接,组成新的环路;最后利用树加权置信传播算法迭代更新信息,实现视频运动目标的检测.试验结果表明,该算法的运行时间为9.8 s,与原图像的相似度可达到95%以上,因此它可以比较准确检测分离出视频序列运动目标,且稳定性好,运算时间较短,适合于对运动目标的实时检测.     

基于轨迹能量扩散图的组行为识别方法

为解决基于轨迹的行为识别的轨迹时间信息丢失和轨迹噪声问题,提出了一种基于轨迹能量扩散图的组行为识别方法.轨迹能量块图可以有效地保存组行为轨迹的时间信息;轨迹能量扩散图可以平滑因运动不确定性产生的噪声.利用基于典型相关分析的特征融合算法实现多特征融合,保证了组行为特征信息的多样性.实验结果表明:对于包含7种组行为的567个视频序列,该方法的识别精度达87%以上.