基于SLIC0超像素分割的阴影检测算法

对单幅阴影检测问题,提出了一种基于SLIC0（simple linear iterative clustering zero）超像素分割的阴影检测方法。首先采用SLIC0超像素分割算法对含阴影图像进行分割,生成超像素块检测出阴影轮廓,然后提出一种融合特征的支持向量机方法,将超像素块分类合并,检测出阴影区域。通过实验对比Otsu阈值法、传统SVM分类法与本文算法的检测效果,验证了本文算法的有效性,通过结构相似度（SSIM）与峰值信噪比（PSNR）指标对比表明,本文算法较参考算法的检测性能更优。     

基于颜色和SIFT特征的视频目标检索方法研究

本文提出并实现了一种结合颜色和SIFT特征的视频目标检索方法。首先,利用图像颜色直方图特征对目标图像进行初步检索和排序;然后对检索结果中与目标图像相似度较高的图像进行SIFT特征提取,并与目标图像中截取的目标区域子图的SIFT特征进行匹配;最后根据SIFT特征匹配结果对初步检索图像再进行二次排序,并反馈目标位置和偏移信息。仿真实验结果表明本文提出的基于颜色和SIFT特征的视频目标检索方法对目标亮度、位置平移、缩放、形态变化等有较好的适应性,能准确检索出目标,具有较高的实用性。     

粗细粒度超像素行人目标分割算法

针对车载视觉行人目标分割由于复杂场景对行人目标的分割结果产生干扰而出现信息冗余以及错误分割的问题,提出一种粗细粒度超像素行人目标分割算法。该算法以Mask R-CNN作为粗粒度一次分割,将所得结果经Slic超像素细粒度二次分割,融合两次输出结果来提高现有图像目标的分割精度,为行人目标识别和跟踪提供有益先验感知信息。经仿真验证,该算法能够对复杂背景情况下的图像进行有效分割,MS COCO标准公开集测试结果与原有Mask R-CNN检测算法相比,mAP提高0.71%,为图像识别和计算机视觉系统完成精准的预处理,具有较强的工程应用价值。     

基于SLIC超像素的Grab Cut算法改进

为了提高图像分割算法的效率,结合SLIC超像素算法和Grab Cut算法,提出了基于改进SLIC超像素的Grab Cut算法.改进后的SLIC超像素算法主要采用均匀随机的方式提取SLIC超像素特征,用以减少冗余的聚类中心,提高算法运行效率,并改进Grab Cut算法适应改进后的SLIC算法,完成图像分割.实验证明:基于改进SLIC超像素的Grab Cut算法简化了用户侧的操作,在一定程度上解决了对象主体的模糊、透明、重叠等问题,并大幅提升了运行效率.     

移动机器人级联超像素行人目标分割算法

针对移动机器人视觉应用中,复杂室内外环境下行人目标提取因背景干扰而导致主体轮廓失真的问题,提出一种基于超像素的级联式行人目标分割算法。利用超像素对目标边缘轮廓的吸附特性,第一级超像素在获取全局超像素区块的基础上,结合行人显著区域检测,计算第二级超像素区块的平均颜色距离和中心点空间位置距离相关度,从而获取行人目标轮廓的分割结果。仿真结果表明,该算法精确度与召回率统计平均为0.98,高于当下流行的其他显著目标分割算法,对行人目标检测分割性能具有良好效果,为行人目标跟踪等应用提供必要的预处理基础。     

基于关键帧的教学视频检索系统设计

针对目前教学视频检索系统的不足,设计并实现了一种基于关键帧的教学视频检索系统.同时,介绍了该系统采用的关键技术,并对系统进行了测试和验证.实验结果表明,本系统能满足应用要求.     

基于SLIC超像素的茶叶嫩芽图像分割方法研究

准确识别茶叶嫩芽是实现茶叶智能采摘的前提。针对自然环境下的茶叶嫩芽图像分割受天气、光照等因素影响较大,提出基于SLIC超像素的嫩芽分割方法。提取R、G、B、H、S、V、Y、Cb、Cr、超红、超绿、Cg、R-B、G-B共14个颜色分量,分析发现以超红、Cg和G-B三分量合成彩图中嫩芽与背景对比度较大,作为待分割对象图;利用SLIC超像素分割算法获取超像素块,并对每个超像素块提取平均横坐标、平均纵坐标、平均超红、平均Cg、平均G-B 5个特征作为分割依据;利用阈值分割、小目标去除、填充和"逻辑与"等操作,得到茶叶嫩芽彩色分割图。对不同地域、不同环境下嫩芽图像进行实验表明,基于SLIC超像素的嫩芽分割平均分割精度达75.6%,较传统G-B阈值分割平均精确度高16.6%。该方法不仅能抑制光照等因素对茶叶图像的影响,还能有效分割茶叶嫩芽,鲁棒性较强。     

视频镜头自动分割的若干方法

针对突变切换和渐变切换，分别提出了滑动窗口检测算法和步长为10的帧间直方图差值判定算法，并提出了闪光检测的算法，采用不同的电影片段作为测试数据，镜头分割实验表明所提出的算法对上述两种不同的镜头切换均有较好的判定效果。     

基于内容检索的视频数据库数据模型的研究

数据模型是设计基于内容视频数据库系统的基础，分析视频数据的特点及基于内容检索的视频数据库的建模需求，对几种数据模型进行了研究并指出了各自特点．最后对这一领域尚存在的问题进行了分析．     

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.     

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．     

一种基于区域选择的视频对象分割算法

视频对象分割对于行动识别和视频检索等领域具有重要作用。针对现有方案的不足,提出一种新的视频对象分割算法。首先,基于物质度构建出视频主要对象的区域图,然后,视频对象的区域选择被建模为区域图中最大权重派系的寻找问题,为了避免不合理的区域选择所导致的无法求解问题,对同一派系的区域引入两种互斥约束:帧内约束和帧间约束,最后提出了一种新的最大权重派系(MWC)算法来计算满足约束条件的最大加权派系,从而实现视频对象的精确分割。将本文算法用于SegTrack数据库中的多个高难度基准视频进行测试,实验结果表明,本文算法能够实现每帧视频主要对象检测和分割自动化,且分割误差也要明显小于已有的算法。     

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.     

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.     

基于时空信息融合的视频对象分割方法

使用一种改进的分水岭方法对图像进行空域分割,采用抗噪声能力更强的多尺度形态学算子求取图像梯度,并对经典浸没模型的处理单元进行了改进,明显提高了运算效率,改善了过分割现象。最后联合时空域信息确定视频对象的边界位置,进而提取出运动前景对象。     

基于对称差分算法的视频运动目标分割

提出一种视频运动目标分割的改进算法, 该算法综合帧间差分算法及背景减算法获得的信息分割运动物体, 利用对称差分算法获得中间帧运动目标的轮廓信息, 以该轮廓的外接矩形为分界, 再对其外部进行动态背景更新处理, 并对其内部进行减背景运算. 实验结果表明, 该改进算法解决了帧间差分算法在运动物体缺乏足够表面纹理时, 易产生空洞和边缘缺失的问题, 具有计算速度快、 抗噪声能力强和分割效果好等优点.     

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。