自适应遗传视频运动对象分割算法

为了快速准确地分割视频运动对象,提出一种新的自适应遗传视频运动对象分割算法.该算法通过完善进化机制,引进自适应初代个体、自适应选择算子、自适应调整交叉率和变异率以及终止判决等,有效解决了遗传算法收敛速度幔和群体过早成熟的问题.实验结果表明,新算法不但缩短了分割时间,而且取得了良好的分割效果.     

动态背景下融合运动线索和颜色信息的视频目标分割算法

针对现有动态背景下目标分割算法存在的局限性,提出了一种融合运动线索和颜色信息的视频序列目标分割算法。首先,设计了一种新的运动轨迹分类方法,利用背景运动的低秩特性,结合累积确认的策略,可以获得准确的运动轨迹分类结果;然后,通过过分割算法获取视频序列的超像素集合,并计算超像素之间颜色信息的相似度;最后,以超像素为节点建立马尔可夫随机场模型,将运动轨迹分类信息以及超像素之间颜色信息统一建模在马尔可夫随机场的能量函数中,并通过能量函数最小化获得每个超像素的最优分类。在多组公开发布的视频序列中进行测试与对比,结果表明,本文方法可以准确分割出动态背景下的运动目标,并且较传统方法具有更高的分割准确率。     

新闻视频基于语义的自适应拆分算法

为促进对新闻视频的结构化传播,提出基于语义特征的新闻视频自适应拆条算法.该算法对视频流上场景语义划分,搭建了一种基于场景分类任务的深度神经网络模型NewslicNet,深度挖掘新闻内容条目的非结构化特征提取新闻内容的拆分点,完成新闻内容段拆条工作.该算法在1538分钟23秒的新闻联播视频上进行训练与测试,实验结果表明,验证了拆条算法的性能优越性和模型的可行性.     

基于多特征融合的交通标识实时分类与识别

针对交通标识分类识别过程中因样本类别之间的不平衡常使分类器性能减弱且实时性较差的问题,提出一种基于多特征融合的交通标识实时分类识别方法。首先,选取具有较强鲁棒性的HSV颜色空间对标识图像进行阈值分割处理,分割出交通标识所在的感兴趣区域;其次,提出一种HOG-MBLBP特征融合算法,通过支持向量机分类算法,实现交通标识的精确分类识别;最后,针对视频图像中交通标识识别实时性问题,采用自适应卡尔曼滤波算法进行交通标识的跟踪识别。实验结果表明该方法具有97.88%的分类准确率且具有较好的实时性。     

采用背景提取和自适应滤波的视频降噪算法

针对监控视频图像背景固定的特点,提出一种有效去除高斯噪声和脉冲噪声的降噪算法.首先通过分析噪声设计一种提取视频序列背景图像的算法,然后对运动区域采用自适应像素域滤波算法来进行处理.该算法根据最小可觉差和视频图像特征自适应地选择谐波均值滤波、加权算术平均滤波、α-截尾均值滤波和中值滤波.为评估降噪算法性能,将降噪处理前后的视频序列分别进行MPEG-2编码,并改变目标码率对比视频质量.实验结果显示:降噪处理后的视频能够用更少的(约50%)比特数获得相同的主、客观视频质量;或者用相同的比特数获得更高的视频质量.     

多分类器融合的快速高维特征聚类图像分割

提出一种多分类器融合的快速高维特征聚类图像分割方法,将图像高维特征数据的分类分解为基于灰度(颜色)特征的最佳模糊分类以及基于空域约束的统计分类等多个低维特征数据的分类.通过多分类器融合的方法将不同分类器得到的分类结果进行优化整合,得到最后的分类结果.实验证明:与其它图像分类算法相比,该方法拥有更好的分割性能并大大提高了计算速度,最大限度地保证了分割算法计算的简单有效性.     

基于统计模型的视频分割检测算法

视频分割是视频结构化和检索的重要技术，目前主要通过镜头分割得到．本文基于统计模型提出了一种改进的算法，并将算法应用于非压缩城中进行视频分割，得出了一种简单且实施性高的视频分割方法，并用Matlab软件来实现了一个视频分割的实例。从实验可以看出，本方法在实际实现中，得到了较好的结果。     

一种改进的自适应背景建模视频分割方法

针对传统的自适应背景建模难以解决背景复杂以及外界光照变化等因素影响视频分割质量的问题,提出了一种改进的自适应背景建模视频分割方法。该方法首先对彩色图像建立高斯背景模型,然后对背景模型进行更新,最后通过对高斯分布准则进行改进使前景目标分割性能得到提高。仿真实验表明,该方法能够准确建立背景模型,准确分割前景目标,较传统算法具有更强的鲁棒性。     

基于多特征匹配的视频图像火灾火焰检测方法研究

相对传统的视频图像火灾检测方法,提出一种基于多特征匹配的视频图像火灾火焰检测方法.首先,算法采用改进的混合高斯分块模型对监控画面中的动态区域划分;再利用颜色概率统计模型提取动态区域的颜色特征,并分割出疑似火灾区域;最后,通过统计疑似火灾区域圆形度特征并判断火灾火焰是否存在.实验表明：算法对火灾火焰的检测识别准确率较高,并具有较好的实时性和抗干扰性.     

一个基于视频图像检测火灾的算法

针对传统火灾检测技术在面对大空间结构建筑及复杂环境中的不足,提出一种基于视频图像检测早期火灾的算法。该算法首先对视频图像进行阈值分割,然后根据火焰的颜色特征获取其中的疑似火焰区域。在此基础上计算疑似火焰区域的圆形度,并将圆形度与其整体特性相结合进行火灾的早期探测和预报。     

一种检测足球视频中射门镜头的方法

体育视频中事件的检测是基于内容的体育视频检索的前提.根据足球比赛视频的特点,提出了一种有效的射门镜头检测方法,即利用主颜色区域检测和投影法来检测射门镜头,从而实现了按射门镜头对视频进行检索.最后给出实验结果及分析.     

运动视频对象的时空联合检测技术

提出了一种具有全局运动的视频运动对象时空联合检测算法。针对传统时间分割使用主观固定阈值的缺点,采用了对差分图像进行噪声参数自适应学习的算法获取自动阈值,并利用形态学运算获取修正的时间分割模板;考虑传统分水岭空间分割的不足,提出了基于人眼视觉特征的改进分水岭算法,包括基于形态重建滤波的图像降噪、形态梯度变换以及基于韦伯感知原理的视同灰度非线性变换,有效地解决了过分割问题;对时、空间分割结果进行信息融合处理,从而得到完整的运动对象。仿真实验结果表明,本文算法可以快速准确地分割视频运动对象。     

一种自动选取阈值的视频镜头边界检测算法

镜头边界检测是实现基于内容的视频检索的一个重要步骤.文中介绍了现有的镜头边界检测的基本方法,并针对其不足提出了一种自动选取阈值的、综合考虑颜色和空间特征的镜头边界检测算法.该方法能较好地检测出镜头突变和物体运动以及光线变化等情况,对渐变镜头也能达到检测的目的.实验结果表明算法能够有效地检测出视频镜头边界.     

基于内容的多层次语义视频对象提取方法研究

视频对象的提取在序列图像的分析中起着重要作用.提出一个基于内容的多层次视频的对象提取算法,利用高斯马尔可夫模型对其进行颜色和纹理的混合特征图像分割.利用Normalize-cut准则,对其运动信息进行分析,然后进行区域聚合,即得到具有语义的视频对象.对于背景运动信息较丰富的序列图像可以取得良好的提取效果.     

基于目标匹配的视频对象跟踪算法

视频对象分割算法的性能好坏将直接影响MPEG-4编码产品的质量。连续两次差分后自适应处理，对差分图像取交集获得运动对象的边界，形态学处理后获得二值分割掩模进而提取运动目标。基于改进的Hausdorff距离度量法对后续帧中视频对象进行跟踪。实验结果证明，该方法能够从背景不变的图像序列中较好的提取出运动对象，具有较强的鲁棒性。     

广告段落分割系统中的字幕检测

分析了视频节目中字幕视频的特点,提出了一种基于Sobel算子边缘检测的字幕检测方法,对实验结果进行分析,实验结果表明,该方法可有效检测视频序列中的字幕片段。     

基于改进GMM和多特征融合的视频火焰检测算法

针对现有视频图像火焰检测算法前景提取不完整、准确率低和误检率高等问题,提出一种基于改进混合高斯模型(GMM)和多特征融合的视频火焰检测算法。首先针对背景建模,提出了自适应高斯分布数和学习率的改进GMM方法,以提高前景提取效果和算法实时性;然后利用火焰颜色特征筛选出疑似火焰区域,再通过融合改进局部二值模式纹理和边缘相似度特征用于火焰检测。基于支持向量机设计火焰融合特征分类器并进行对比实验,在公开数据集上的实验结果表明,所提算法有效提高了背景建模效果,火焰检测准确率可达到92.26%,误检率低至2.43%。     

基于检测的自适应手势分割方法

基于肤色模型的手势分割是目前常用的一类手势分割方法,而此类方法容易受到类手势肤色背景的影响而导致严重的误分割,并且由于模型参数固定而对不同的手势肤色不具有适应性。针对以上问题,提出了一种先检测手势再自适应分割手势的方法。首先设计了一种基于空洞卷积的主干网络和一套Anchor方案将SSD改进为手势检测模型,通过该模型初步分割出手势ROI以避免类手势肤色背景的影响。然后根据手势ROI建立YCrCb高斯肤色模型,以使肤色模型对不同的手势肤色具有很好的适应能力。实验结果表明,在多种复杂场景下,本文的手势分割算法能够避免类肤色背景的影响并且对不同肤色的手势都取得了非常好的分割效果。      

一种基于多尺度实例学习的视频事件检测算法

现有的大多数视频事件检测方法首先从视频帧或视频快照中提取特征,然后对特征进行量化和汇集,进而为整个视频生成一个向量表示.最后的汇集步骤虽然简单高效,但是可能丢失时间局部信息,而这些信息对于确定长视频中事件发生的位置具有重要作用,从而削弱了事件检测的准确性.为此,本文首先将每个视频表示为多个“实例”,并将其定义为不同时间间隔的视频段.然后,针对每个视频的正实例比例已知和未知两种情况,提出基于多尺度实例学习的检测算法,在将实例标签看成隐藏潜在变量的同时推断出实例标签以及实例尺度的事件检测模型.最后,利用大规模视频事件数据集进行了全面的仿真实验,结果证明了本文算法具有显著的性能提升.此外,算法还可以确定视频中导致正检测的时间段的位置,进而对检测结果做出解释.