视频序列中运动目标自动提取的研究

本文提出了一种从彩色视频序列中,有效分割运动目标的算法。首先将当前帧图像和背景参考图像在YUV彩色空间中进行距离差分得到距离差分图像,然后根据差分图像直方图的单峰聚集特性,提出了基于直方图的自适应聚类分割算法;对分割后的二值图像采用图像形态学方法去除无用的噪声斑点,并根据得到运动模板,提出了背景参考图像的更新策略。实验结果表明这是一种简单、有效的运动目标提取方法。     

彩色序列图像中移动目标定位与区域提取

提出一种基于彩色序列图像提取移动目标区域的新方法。首先采用时态差分法进行运动目标定位,对彩色序列图像进行差分;然后通过选择阈值将彩色差分图像转化为二值图像;为了克服背景扰动和摄像头抖动,采用了对称差分算法,使得运动目标的定位更为准确。最后在对称差分的基础上,通过投影提取移动目标区域,为了消除扰动造成的影响,采用了杂块去除和区域合并方法。实验结果表明所提方法能有效快速地提取出移动目标。     

基于同态滤波抑制光照变化的视频分割算法

针对光照变化较大时基于颜色差分直方图的视频分割算法不能有效更新背景,导致后续输入图像前景目标分割失效的问题,提出一种基于同态滤波抑制光照变化的视频分割算法。首先利用同态滤波算法对输入和背景图像(RGB)在HSV空间中亮度分量进行同参矫正,然后将矫正后图像转换到RGB空间,最后利用颜色差分直方图算法进行视频分割。文中算法有效解决颜色差分直方图算法无法将受光照变化影响较大区域更新到背景中的问题,实现背景的实时有效更新,保证稳健地从后续输入图像分割前景目标。3组视频仿真结果表明该算法与高斯混合和Codebook算法相比具有运算速度快,对光照变化鲁棒的优点。     

基于改进高斯混合模型的运动目标检测方法

基于高斯混合模型,提出了一种自适应的运动目标检测算法。首先,根据各像素点的像素值的集中程度,自适应地选择高斯分布的个数对背景模型进行学习与更新,再通过背景差分获取差分图像;其次,在对图像二值化的过程中,提出了一种改进的自动调整阈值的方法,用以对差分图像的像素进行分类后分别进行阈值化分割,这样就能得到前景目标;接着采用形态学重构的方法对阴影进行有效消除,从而使前景目标分割的效果得到有效的提高。实验证明,该方法具有较好的鲁棒性和检测效果,同时也具有较好的自适应性,特别是在检测目标本身灰度变化比较大等特殊情况下,更能体现出本算法的优越性。     

逐次分块差分直方图对运动目标的提取

为从视频图像序列中准确且完整地提取运动目标,提出一种基于运动差分直方图的目标提取算法。通过对视频图像序列中两帧相邻图像以及它们的差分图像进行逐次分块,分析对应分块的差分直方图,利用背景区域块与目标区域块对应的差分直方图分布不同,逐步去除背景提取目标,有效避免提取的目标内部出现空洞,以块为单位的处理提高算法运行速度。通过数值实验验证了该算法具有较好检测性。     

一种视频运动目标的检测与识别方法

针对户外智能视频监视系统,研究从视频序列中自动提取和识别运动目标的方法.在运动目标检测算法中,首先引入彩色差值模型,然后进行自适应阈值分割和图像形态学后处理,并提出背景参考图像的更新方法.在人体目标识别方法中,为克服物体阴影的影响,先利用直方图技术得到检测区域中含有的运动目标数目以及每个目标的顶部位置,然后提取运动目标头肩区域的不变矩特征,并利用遗传神经网络实现运动目标的自动识别.实验表明,这是一种快速有效的多运动目标检测与识别方法.     

基于差分盒维数的空间目标图像分割算法

基于差分盒子维数提出了一种针对空间目标的图像分割算法.首先根据空间环境目标自然背景与空间目标人造结构的特点差异,从分形理论的相似性上对星空背景进行分析,利用像素邻域灰度方法得到目标和背景的边界.其次,在对给定阈值及该阈值下图像的差分盒维数关系进行分析的基础上,提出基于灰度方差的阈值选择方法.最后给出空间目标图像分割算法的流程,通过诸多仿真空间图像处理验证该分割算法是有效的.     

基于Mean Shift随机游走图像分割算法

针对传统随机游走算法分割目标轮廓易受自然纹理背景干扰,并且算法运行效率低的问题,提出一种基于Mean Shift随机游走图像分割算法.首先应用Mean Shift算法对图像进行预分割,将图像分成许多同质区域,再将其代替经典随机游走算法中节点来建立对应的无向图;将彩色直方图作为区域描述算子,采用欧氏距离与高斯权函数相结合...     

一种基于模糊集的灰度图像阈值分割算法

提出了一种新的基于模糊集理论的图像直方图阈值分割算法。该算法首先把图像的直方图预分成目标参考区,背景参考区和模糊区。然后对位于模糊区的灰度级,逐一比较其与目标和背景区的相似度,以决定该灰度级的归属,并最终确定灰度阈值。仿真结果表明：此方法不但能不有效地对灰度图像进行分割,且与传统方法相比更具灵活性。     

两种改善真彩色图像过度分割现象的方法

根据真彩色图像象素在三维直方图内呈现聚类分布的特点,可利用基于直方图的分割技术得到目标图像。但是直方图阈值分割技术会产生丢失目标信息的过度分割（oversegmentation)现象,采用HSI彩色系统也会出现此种状况。本文分析了问题产生的原因,提出了两种解决方法 ,可大大改善对真彩色图像的分割效果。     

粒子滤波的视频目标跟踪算法研究

目标跟踪是计算机视觉和图像处理的一个重点课题,在视频监控、机器人视觉导航以及智能交通控制中具有广泛的应用前景.通过粒子滤波技术,研究了如何整合颜色特征、前景信息和积分图运算等技术实现视频目标跟踪的粒子滤波算法.在对目标进行分割中采用了混合高斯背景建模方法;同时结合积分直方图的计算方法对颜色特征进行分段统计及相互遮挡的判断,实现基于粒子滤波的目标跟踪算法的优化,解决跟踪中诸如遮挡、光照变化、背景干扰、尺寸变化等难以解决的问题.实验结果表明提出的方法达到了预期目标.     

联合前景和背景对视频对象进行自动分割

提出了一种自动的运动对象分割算法,利用浮点图像的轮廓及其颜色特征将第一帧图像进行区域分割,然后根据帧间运动信息构造出前景和背景图像,最后以前景和背景图像作为参考,对同一场景中所有视频帧进行快速可靠的分割。     

自动分割视频序列中运动物体的新算法：多特征联合方法

视频编码标准MPEG-4增加了适于多种应用的基于视频内容的功能,为了支持这一功能和提高编码效率,MPEG-4将视频序列中的每一帧分解成视频对象面(VOP);另外,由于基于内容的视频检索和视频监控系统均期望用分割出的关键视频对象紧致地表示一个序列,同时由于视频分割技术在模式识别、计算机视觉等领域也得到了广泛的应用,因此,分割视频运动物体并跟踪运动物体的变化变得至关重要.为了对视频中运动物体进行有效的分割,在帧差图象的基础上,采用Canny边缘检测和随机信号的高阶矩检测相结合的方法,来自动分割视频序列的前景区域和背景区域,并在前景区域中应用区域生长法进行颜色分割,以精确提取运动物体的边缘;还利用边缘和颜色特征来对分割出的运动物体建立模板,用于解决非刚体运动中局部暂时停止运动的情况.实验结果表明,此方法可以有效地分割运动物体,并能跟踪运动物体的变化.     

Layered Representation of a Video Shot with Mosaicing

: This paper presents a motion segmentation method useful for representing efficiently a video shot as a static mosaic of the background plus sequences of the objects moving in the foreground. This generates an MPEG-4 compliant, layered representation useful for video coding, editing and indexing. First, a mosaic of the static background is computed by estimating the dominant motion of the scene. This is achieved by tracking features over the video sequence and using a robust technique that discards features attached to the moving objects. The moving objects get removed in the final mosaic by computing the median of the grey levels. Then, segmentation is obtained by taking the pixelwise difference between each frame of the original sequence and the mosaic of the background. To discriminate between the moving object and noise, temporal coherence is exploited by tracking the object in the binarised difference image sequence. The automatic computation of the mosaic and the segmentation procedure are illustrated with real sequences experiments. Examples of coding and content-based manipulation are also shown. Received: 31 August 2000, Received in revised form: 18 April 2001, Accepted: 20 July 2001     

Entropy based region selection for moving object detection

This article addresses a problem of moving object detection by combining two kinds of segmentation schemes: temporal and spatial. It has been found that consideration of a global thresholding approach for temporal segmentation, where the threshold value is obtained by considering the histogram of the difference image corresponding to two frames, does not produce good result for moving object detection. This is due to the fact that the pixels in the lower end of the histogram are not identified as changed pixels (but they actually correspond to the changed regions). Hence there is an effect on object background classification. In this article, we propose a local histogram thresholding scheme to segment the difference image by dividing it into a number of small non-overlapping regions/windows and thresholding each window separately. The window/block size is determined by measuring the entropy content of it. The segmented regions from each window are combined to find the (entire) segmented image. This thresholded difference image is called the change detection mask (CDM) and represent the changed regions corresponding to the moving objects in the given image frame. The difference image is generated by considering the label information of the pixels from the spatially segmented output of two image frames. We have used a Markov Random Field (MRF) model for image modeling and the maximum a posteriori probability (MAP) estimation (for spatial segmentation) is done by a combination of simulated annealing (SA) and iterated conditional mode (ICM) algorithms. It has been observed that the entropy based adaptive window selection scheme yields better results for moving object detection with less effect on object background (mis) classification. The effectiveness of the proposed scheme is successfully tested over three video sequences.     

基于G-GMM的视频序列运动目标检测算法研究

为了能够从视频序列中快速准确地检测运动目标,在混合高斯背景差分法的基础上引入Grabcut算法,提出了一种新的运动目标检测G-GMM(Grabcut-Gaussian Mixture Model)算法。首先通过混合高斯模型背景差分法提取运动目标初始二值轮廓,构建其最小的外接矩形;然后初始化矩形内图像信息,寻找潜在前景区域;最后采用迭代算法实现最优化分割,得到准确的运动目标轮廓。实验结果表明,在静止摄像机户外视频监控系统中,提出算法具有较高的准确性和鲁棒性,对刚性和非刚性两类目标都具有较好的检测结果。     

一种视频运动目标的检测与识别方法

给出连续图像帧差分和二次帧差分改进的图像HSI差分模型,采用自适应分割算法能在任意条件下自动提取运动目标区域.定义运动目标的特征分析和计算,通过特征匹配判断,识别所需识别目标的区域.实验结果表明该方法是有效的,且有良好的鲁棒性.     

自动分割及跟踪视频运动对象的一种实现方法

随着MPEG-4压缩标准的制定,分割及跟踪视频运动对象的研究显得极其重要。在MPEG-4视频编码标准中,为了实现基于视频内容的交互功能,其视频序列的每一帧由视频对象面（VOP）来表示。为了生成视频对象面,需要对视频序列中的运动对象进行有效的分割;并跟踪运动对象随时间的变化,为此提出并实现了一种用于分割及跟踪视频运动对象的时空联合方法。该方法首先采用连续帧间差的4次统计量假设检验,确定运动对象的位置,自动地分离出运动区域与背景区域;在运动区域内,采用数学形态学的分水线算法来精确地提取运动对象的轮廓;最后,将提取到的运动对象作为模板,对后续的视频序列,用Hausdorff距离度量,来跟踪并提取后续帧中运动对象。实验结果表明,该方法能有效地分割和跟踪视频运动对象,且能有效减少计算复杂度,其调整参数也较少。