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。     

一种基于对象跟踪的视频分割算法

在新一代MPEG-4视频编码标准中,为了支持面向对象编码和实现基于内容的应用,视频分割成为关键技术之一,而半自动的视频分割是常用而且比较精确的一种分割方法.本文提出一种基于对象跟踪的半自动视频分割算法.该算法在用户的参与下,基于图像的时空信息,进行视频对象(VOP)的分割.实验结果表明,该算法能够较精确地连续分割出视频对象.     

一种基于背景记录和变化检测的视频对象分割算法

MPEG—4引入视频对象的概念，以支持基于内容的操作．视频对象分割是MPEG—4成功与否的关键因素之一．该文提出了一种基于背景记录和变化检测的视频分割算法．通过背景记录，它可克服常规的变化检测算法存在的对阴影和亮度变化敏感的缺点．实验结果表明，它可应用到各种视频序列，并能快速得到准确的分割结果．     

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．     

基于TMS320C6416的视频运动对象分割

以DSP器件TMS320C6416为核心构建硬件平台,实现了视频图像采集系统的设计.提出了一种适合硬件实现的运动目标分割算法,完成视频图像中运动对象的分割.为提高视频图像数据处理的实时性,还采用了Ping-Pong数据缓存结构和CCS内联函数实现C代码的优化等技术手段.实验结果表明:该系统能适用于背景相对变化不大的运动目标的检测与分割,而且实时性较好.     

监控场景下视频中全局移动对象的异常行为自动识别

传统异常行为识别方法容易受到外界环境的干扰,导致识别精度低下;且开销较高。为此,提出一种新的监控场景下视频中全局移动对象的异常行为自动识别方法。对异常行为特征进行提取,选用的特征为目标运动轨迹特征和外接矩形框宽高比特征,通过位置动态对监控场景下视频中全局移动对象运动轨迹特征进行提取,通过最小外接矩形框对移动对象进行标记。依据特征提取结果,通过异常测量函数实现监控场景下视频中全局移动对象的异常行为自动识别。实验结果表明,采用所提方法对全局移动对象的异常行为进行自动识别,不仅识别精度高,且开销较低。     

引入拉格朗日算子的纹理深度联合比特分配方法

为了提高三维视频合成质量,提出一种新的纹理视频和深度图编码比特分配方法.该方法在比特分配中引入拉格朗日算子参量,从而在限制比特下进一步降低虚拟合成误差.首先依据统计实验并采用最小二乘拟合的方法,对纹理视频和深度图分别建立以拉格朗日算子为参数的编码误差模型和编码比特模型,然后利用编码误差和虚拟合成误差的相关性进一步推导出基于拉格朗日算子的虚拟合成误差的模型,最后结合所推导的模型建立虚拟合成误差最小化目标函数,利用无约束优化方法求解最优的纹理视频和深度图编码拉格朗日算子,并依据此算子进行比特分配.实验结果证明:与固定比特算法和全搜索量化步长算法相比,该方法在不同的编码条件下使合成视频质量平均提高0.25dB和0.68dB,且得到的编码总比特与目标比特最为接近,平均误差仅为0.45%.     

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.     

基于视差和变化检测的立体视频对象分割

立体视频对象分割是新一代视频编码、视频检索、互联网多媒体交互等新兴领域的关键技术.该文提出了一种融合多种信息的立体视频对象分割算法,首先采用基于边缘特征约束的视差估计方法,获得了可靠的视差场,再利用视差信息对视频对象进行了初始分割,在此基础上结合帧间变化检测的信息对视差分割结果进行修正.实验结果表明,本算法对有重叠的多对象具有良好的分割效果,得到了较精确的视频对象.     

视频对象编码中初始搜索点的预测算法研究

利用视频对象内部的变化具有时间相关性,可以克服在对象边缘处的分块的可供参考的运动矢量很少或者没有所造成的预测困难,提出了一种结合时间和空间相关性来预测起始搜索点的视频运动编码的新算法,达到了较好的预测效果。     

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.     

利用深度神经网络的无监督视频表示

在计算机视觉领域中,大多数的视频表示方法都是有监督的,需要大量带有标签的训练视频集,但标注大量视频数据会花费极大的人力和物力.为了解决这个问题,提出了一种基于深度神经网络的无监督视频表示方法.该方法利用改进的稠密轨迹(iDT)算法提取的视频块交替地训练深度卷积神经网络和特征聚类,得到可提取视频特征的深度卷积神经网络模型;通过视频的中层语义特征,实现了无监督视频表示.该模型在HMDB 51行为识别数据库和CCV事件检测数据库上分别进行了动作识别和事件检测的实验,获得了62.6%的识别率和43.6%的检测率,证明了本文方法的有效性.     

一种自动分割视频对象的新方法

提出了一种视频对象自动分割及跟踪方法。该算法首先进行相邻帧差分检测和Canny边缘提取,得到相邻帧差分边缘模板;其次在相邻帧差分边缘和当前帧边缘的基础上,检测出视频对象的初始边缘模板。然后分为快变和慢变两部分进行跟踪,并对视频对象边缘模板更新以适应对象的运动;最后根据跟踪更新出的视频对象二值边缘模板,通过文中提出的填充技术及模板轮廓修正得到精确的视频对象模板提取出视频对象。实验验证表明,该算法对目标的整体运动和局部形变都有较强的适应性。此外,算法还具有简便、准确性高的特点。     

一种基于局部运动特征的视频检索方法

在基于运动内容的视频检索中 ,视频中的局部物体运动常是用户关心的重点。在利用全局运动模型参数对运动估计的基础上 ,提出了一种从一般视频序列中提取局部物体运动矢量的方法 ,并以局部运动矢量场的方向直方图作为检索特征 ,实现了一个基于局部运动信息的视频检索系统。实验表明 :基于局部运动信息的检索机制使该系统能够较好地检索到符合人们主观理解的运动视频内容     

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.     

一种多层次语义视频对象分割算法

提出一种基于高斯马尔可夫随机场及规则化图划分的多层次语义视频对象分割算法,其主要特点是将视频序列帧中对象的分割看成是“内容树”结构中复合结点的形成过程.首先使用高斯-马尔可夫模型来进行视频帧内的最优标记场标定,然后引入规则化图划分准则进行过分割区域的合并,得到具有语义意义的视频对象.实验表明,本分割算法具有较高的准确性,误差的均值为11.375%,标准方差为0.94%.     

视频序列中运动目标跟踪新方法

提出了一种跟踪视频图像序列中运动目标的新方法.该方法利用一种基于动态信息窗口的自适应背景更新方法解决背景的复杂性问题,结合一种新的计算颜色模型解决运动阴影问题,从而得到具有精确边缘的特定运动目标.计算了运动目标灰度质心,在坐标系中记录其位置,并采用最小二乘法拟合实现了对运动目标的跟踪.实验结果表明这种方法能有效地跟踪并预测视频序列中的运动目标.