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.     

一种运用显著性检测的行为识别方法

针对传统稠密轨迹行为识别法不能很好地区分行为区域和背景的问题,提出一种运用显著性检测的行为识别方法。考虑到视频显著性在较小的时空范围内变化不大,将视频在时域分割为多个短子视频,并将子视频在空域划分成小块,再以块为基础运用一种两阶段显著性检测方法获取每个子视频的行为区域。在检测的第一阶段,将低秩矩阵恢复算法应用于子视频的运动信息计算其初始显著性,并据此将其内所有块划分为候选前景集合和绝对背景集合;在第二阶段,为了将真正的行为区域从候选前景集合中分离出来,利用绝对背景集合中块的运动信息构建字典,通过加权稀疏表示算法计算候选前景集合中每个块的细化显著性,再通过阈值化获取二值显著图用以指示行为区域;最后,将显著图融入稠密跟踪过程以获取行为区域轨迹用于行为识别。基准数据集上的实验结果表明,该方法能够较好地检测视频中的行为区域,获得的识别率高于传统稠密轨迹法2.5%~4.5%。     

基于H.264的时空域联合误码掩盖算法

为了对视频传输中丢失的信息进行恢复,提高重建视频的质量,提出了一种基于H.264的时空域联合误码掩盖方法。该算法将丢失宏块分成16个4×4子块,通过分析子块的空间特性来确定其恢复的优先权,并依次恢复其运动矢量。仿真结果表明,对于不同运动程度序列和不同宏块丢失率,该算法性能均稳定地优于H.264标准的算法。特别是在20%的宏块丢失率下,恢复视频峰值信噪比(PSNR)相对H.264标准算法可提高1~2 dB。     

基于时空感知级联神经网络的视频前背景分离

针对在复杂情景下视频前背景分离技术中存在的前景泄露问题,设计开发了一个端对端的二级级联深度卷积神经网络,实现了对输入视频序列进行精确的前景和背景分离.所提网络由一级前景检测子网络和二级背景重建子网络串联而成.一级网络融合时间和空间信息,其输入包含2个部分:第1个部分是3张连续的彩色RGB视频帧,分别为上一帧、当前帧和下一帧;第2个部分是3张与彩色视频帧相对应的光流图.一级前景检测子网络通过结合2部分输入对视频序列中运动的前景进行精确检测,生成二值化的前景掩膜.该部分网络是一个编码器-解码器网络:编码器采用VGG16的前5个卷积块,用来提取两部分输入的特征图,并在经过每一个卷积层后对两类特征图进行特征融合;解码器由5个反卷积模块构成,通过学习特征空间到图像空间的映射,从而生成当前帧的二值化的前景掩膜.二级网络包含3个部分:编码器、传输层和解码器.二级网络能够利用当前帧和生成的前景掩膜对缺失的背景图像进行高质量的修复重建.实验结果表明,本文所提时空感知级联卷积神经网络在公共数据集上取得了较其他方法更好的结果,能够应对各种复杂场景,具有较强的通用性和泛化能力,且前景检测和背景重建结果显著超越多种现有方法.     

使用前景/背景区域率失真特性的码率控制方法

为提高视频编码器码率控制的性能,根据视频内容将视频帧划分成包含主要运动物体的前景区域和相对静止背景的背景区域,分析各区域的率失真特性,提出一种适用于H.264/AVC编码器的基于区域的宏块层码率控制方法. 比特分配中,根据宏块的区域信息确定加权因子,自适应地为重要宏块分配较大的目标比特预算. 不同区域使用对应参数的二次模型确定宏块量化参数(quantization parameter,QP),并以已编码宏块的QP为参考调整计算所得QP,以降低前景与背景区域间、相邻宏块间的编码质量波动. 宏块编码结束后,根据实际编码信息更新各区域的码率控制参数. 实验测试表明,提出方法能够有效降低实际码率与目标码率之间的相对偏差,提高编码效率和解码恢复视频的主观质量。     

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.     

一种适用于甚低比特率视频编码的运动估计技术

提出了一种有效的适用于甚低比特率视频编码的运动估计新技术。通过强加一定的空间连续性准则使得运动场结构更加平滑,并且将具有相同运动矢量的相邻图像子块合并为一组,对于这一组中的所有图像子块,只需传输一个运动矢量及简单表示组中各图像子块位置的信息。这样可减少对运动矢量编码传输的代价,同时又得到类似于采用经典块匹配技术所得的预测误差。     

一种融合分层信息熵的MRF视频运动前景分割算法

针对视频图像中相邻像素的相关性对前景分割的影响问题,提出了一种以熵图像为纽带的分层马尔可夫随机场(MRF)视频运动前景分割算法.通过图像像素层和信息层构建自适应像素模型和动态光滑模型,增强了视频图像中邻域像素的空间一致性和时间连续性.然后在马尔可夫模型的框架下,采用多环置信度传播算法求解最大后验概率估计,提高视频运动前景分割的质量.实验结果表明该方法能够在不同的视频图像序列条件下完成对运动前景的有效分割.     

基于重叠分块与级联分类器的目标检测

本文提出一种基于重叠分块的背景建模方法,每个分块由其二维离散小波变换的低阶系数作为描述子表示。提出一种阶梯型模型参数更新方法,为每个分块建立一个高斯模型以适应训练视频中存在前景的情况。利用在光照变化的情况下RGB空间中两帧像素的RGB向量夹角几乎不变的特性,建立了余弦距离分类器以适应光照变化。在像素级别的前景分割判决中采取了类似于多数投票判决的策略,有效减少了最终判决的错误概率。实验结果证明,该方法与传统方法相比具有较高的准确性。     

具有前景目标的动态场景视频快速稳像算法

为了提高具有前景目标的动态场景视频的稳像效果,采用了一种基于块绝对差分的运动目标自动提取方法。在提取运动目标的基础上,提出通过自适应设定相关阈值的方法,来预判相关背景模块是否具有足够的信息,以减少用于运动矢量估计的模块数量。仿真实验结果表明,对于具有前景目标的动态场景视频,在减少运动目标提取时间的基础上,能够有效提高稳像算法的速度和精度,对实际视频取得了比较理想的稳像效果。     

基于改进K均值的运动目标检测算法研究

背景建模是运动目标检测的关键环节,提出了基于改进K均值背景建模的方法,并进行前景提取．该算法在HSV颜色空间对视频流的前N帧中的每个像素样本进行K均值聚类学习,K均值聚类的结果用来表示该像素螅背景模型;接着输入的视频流像素与背景模型比较,进行背景、可能前景和阴影的分离,并提出了一种像素相关的选择性背景更新机制;然后利用TOM（Time Out Map）方法来消除鬼影现象．实验结果表明该算法能够很好地对背景进行建模,较精确地提取出运动目标信息,对光照变化具有较强的鲁棒性．     

基于箱式约束RPCA的运动目标检测

为克服运动目标检测中光照变化、阴影干扰等的影响,提出了一种具有箱式约束的鲁棒主成分分析方法,用于带阴影的视频运动目标检测。该方法建模时首先将输入的视频数据分解为低秩背景、稀疏前景与阴影3个部分;接着在传统鲁棒主成分分析模型的基础上对阴影变量施加箱式约束,利用Powell-HestenesRockafellar增广拉格朗日乘子法将上述约束转化为目标函数的惩罚函数项,推导了3个子问题的闭合解,并用交替方向法对模型进行求解;最后在公开数据集上对该方法进行了测试。实验结果表明,该方法能够在检测运动目标的同时去除阴影,场景适应性较好。     

基于帧间差分的ViBe运动目标检测

针对光线变化时现有前景检测方法易将背景检测为运动目标、形成大片阴影的问题,本文利用帧差法对光线变化的不敏感性,对基于ViBe的背景建模、前景检测算法进行改进。结合帧间差分的ViBe前景检测方法包括背景初始化、背景模型更新及后期图像处理三个模块。该方法在更新背景模型时,加入了帧间差分判别多阈值比较,并依据帧间差分的结果对背景更新率进行动态调整,最后对背景建模后的检测结果进行形态学处理,针对大的噪点进行轮廓提取及判定,最终检测出运动目标。针对不同条件下监控视频的试验结果表明,本文方法初始化速度快、实时性好,有效地抑制了由于光线干扰形成的大片鬼影区域。     

基于三帧差分混合高斯背景模型运动目标检测

针对混合高斯背景模型运动目标检测的光照突变误检以及突然运动目标的“鬼影”问题,提出了一种基于三帧差分的混合高斯背景模型运动目标检测算法。通过图像前景检测比例判断光照是否发生突变,利用三帧差分法对图像的背景区域、运动区域和背景显露区域进行划分,并根据光照情况及时改变各区域的学习率以调节混合高斯模型背景迅速更新,设计了基于三帧差分的学习率自适应混合高斯模型背景更新的方法。该方法使光照突变及目标突然运动后产生的新的背景模型得到迅速更新,从而改善这两种情况下运动目标检测效果。实验结果表明,该算法避免了光照突变时的大面积误检现象,并且同时解决了突然运动目标的“鬼影”问题。     

基于小区域匹配的运动人体跟踪

为解决在复杂场景(光照变化、物体移动,增减以及遮挡等干扰)下运动人体跟踪的难题,提出了一种新的跟踪方法.该方法通过背景减除提取人体目标的多个小区域,利用模糊推理评价出它们在相邻两帧间的匹配可靠度;通过跟踪各个可靠度高的小区域,并对可靠度低的小区域进行邻域搜索、位置纠正和估计,完成整个人体目标的跟踪.实验结果表明,该方法能解决遮挡和其他物体的干扰,并能适应光照等环境因素的变化.     

运动目标分割中的自适应背景建模方法

背景差法是视频图像序列中运动目标分割的重要方法。为了解决背景中光照亮度渐变和背景物体移动等问题,提出了基于动态信息窗口(DTW)的自适应背景更新算法。根据像素的动态变化信息决定更新策略。利用该方案实现了人体检测系统,并且在室内和室外进行了实验。实验结果表明所提出的方法不仅能自适应地更新背景模型,而且较其他方法能更有效地消除阴影。     

基于区域信息的自适应码本目标检测算法

运动物体检测是视频监控系统的一个重要组成部分。针对经典码本目标检测算法存在的自适应动态背景能力不足,以及在复杂环境下检测精确度差的问题,提出一种基于区域信息的自适应码本目标检测算法。首先,利用添加学习率的方法对背景模型进行自适应更新以使其适应不同的光照环境。其次,结合区域信息,将待检测像素的码本和周围像素的码本融合,得到更为精确的背景模型。最后,对前景像背景一样进行建模和更新,使得前景和背景模型可以在预设参数的控制下相互转化,消除由于背景变化造成的误检。实验结果表明:所提算法在有随机噪声及光照变化的复杂环境下,依然具有较好的检测率和较好的鲁棒性。基本满足动态场景中运动目标检测的精度高、速度快、抗噪强以及光照适应性好等要求。     

Adaptive Contour Model for Real-Time Foreground Detection

A multiscale foreground detection method was developed to segment moving objects from a stationary background. The algorithm is based on a fixed-mesh-based contour model, which starts at the bounding box of the difference map between an input image and its background and ends at a final contour.An adaptive algorithm was developed to calculate an appropriate energy threshold to control the contours to identify the foreground silhouettes. Experiments show that this method more successfully ignores the negative influence of image noise to obtain an accurate foreground map than other foreground detection algorithms. Most shadow pixels are also eliminated by this method.     

基于水平集方法的多运动目标分割

给出了一种对光照变化等实际环境中干扰不敏感的基于水平集和背景减的运动目标检测与分割方法。首先建立了当前帧图像与背景参考帧图像间的纹理差，并将其与灰度差相结合构成差图像；然后，分析了纹理特征，并采用适当措施减小由场景中杂乱运动产生的不利影响，从而实现运动目标的鲁棒检测；最后采用了基于区域的水平集方法，将多个信息有机地结合在一起，实现对多个刚体或非刚体运动目标的分割。实际采集序列图的仿真实验验证了该方法的有效性。