基于背景差分法的运动目标分割

运动目标分割在基于视频的运动目标检测与识别研究中发挥着重要作用。以图像差分法为基础,实现了一种复杂背景下快速分割运动目标的方法。通过中值滤波对原始图像进行预处理;运用改进的Surendra算法快速提取并更新背景图像;利用数学形态学运算对差分二值图像进行处理,进行运动区域的初始检测;将RGB图像转换到HSI域中进行适当的阴影去除,完成运动目标分割。实验结果表明该方法能够较为有效地分割出感兴趣区域(ROI)内的运动目标。     

复杂背景下运动目标分割算法研究

视频监控中,准确而快速地分割出运动物体是提取各种信息的前提和关键.以图像差分法为基础,提出了一种在复杂背景下有效分割运动目标的方法.运用改进的Surendra算法提取背景.对连续帧图像的R,G,B三通道帧差分图像采用PCA融合和二值形态学重构,以提取和更新背景.将粗分割图像转换到HSV域中,采用V分量阈值法消除阴影,并应用彩色投影法解决连通体粘连和路面反光问题.实验结果表明该方法能够结合各种算法的优势,快速而较准确地提取出运动车辆目标.     

背景重建的运动目标分割改进算法

提出了基于背景重建的运动目标分割改进算法。首先使用多帧差获得初次的背景和前景分离,使用前后多帧差重合部分的合并作为当前帧的运动对象,并通过形态膨胀操作消除二值模板中的空洞,得到该帧的并不精确的初次运动目标掩膜。通过掩膜获得稳定的累积背景。通过得到的背景差和帧间差相结合制定判断原则,获得精确的运动目标掩膜,从而对运动目标进行分割。实验表明该算法对于较大面积的运动目标,或者当摄像机拍摄方向与目标运动方向一致的情形下都可以得到较准确的效果。     

基于视频图像的运动目标阴影去除方法

针对运动目标检测中阴影的存在会导致目标形状扭曲、多个目标之间出现粘连等问题,提出一种基于视频图像的阴影去除方法。该方法在分析阴影产生机理的基础上,根据各像素点YUV空间上的像素模型,计算出带有阴影的目标相对于背景的失真系数,再根据设定的阈值区分出目标的实际轮廓和阴影区域,从而将目标阴影去除。实验结果表明,该方法能够快速检测和去除目标阴影,准确反映出目标的实际轮廓,并能够有效解决目标粘连问题。     

基于自适应背景模型运动目标检测

随着城市化速度的加快，机动车日益普及，人们在享受机动车所带来的巨大便利的同时，也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展，基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务，针对该问题，提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法，该方法能够适应变化的背景，具有较强的鲁棒性和较好的实时性。     

基于自适应背景模型运动目标检测

随着城市化速度的加快,机动车日益普及,人们在享受机动车所带来的巨大便利的同时,也面临着交通拥挤的困扰。随着计算机硬件技术和计算机视觉技术的发展,基于计算机视觉的交通监控系统成为可能。从一个交通视频序列中识别出运动物体是许多交通监控系统应用系统的重要任务,针对该问题,提出了一种建立在对视频序列中的整个背景情景的统计描述基础上的运动目标的检测的有效方法,该方法能够适应变化的背景,具有较强的鲁棒性和较好的实时性。     

基于单高斯背景模型运动目标检测方法的改进

针对背景减除法应用于运动目标检测中的背景模型更新和阴影消除问题,提出了一种改进的单高斯背景模型估计算法和快速的阴影消除方法。实验结果表明,算法在有效去除阴影的同时能够较好地提取运动目标,为后续的人体识别、行为分析等工作奠定了良好的基础。     

基于像素自适应分割背景建模的鬼影去除算法

针对基于像素的自适应分割检测算法在建立背景模型时容易产生鬼影的问题,根据背影视觉提取算法中相邻像素点拥有相近像素值的空间分布特性,将待定的前景像素值与邻域像素值的差值通过加权比较其与自适应阈值的大小,来确定该像素点是前景像素点还是鬼影像素点。若为鬼影像素点则判定为背景像素点,并更新其背景模型。通过对前景像素点的二次判断,达到迅速去除鬼影的目的。实验结果表明,改进后的算法相比于原算法能更快速地去除鬼影。     

基于背景重构和阴影消除的运动目标分割

背景差分法是一种重要的运动目标分割方法,但是其不仅对背景质量的要求较高,且易将运动阴影误检测为前景目标.针对上述问题,提出了一种用于智能交通系统的新的运动目标分割方法.该方法首先在RGB空间对像素灰度归类法进行了改进,并用其提取了背景图像,同时结合选择更新和背景调整来实时更新背景;然后对背景差分图像的RGB灰度之和,通过设定阈值来提取运动区域;最后对提取的目标阴影混合区在HSV空间,分别进行自上向下、自左向右及其反方向的色调、亮度及边界交叉点判别,以实现阴影检测和消除.实验结果表明,该新方法能获得高质量的重构背景,并能消除阴影(尤其是暗色目标的阴影),因此可提高目标的分割质量.     

基于改进背景减法的视频图像运动目标检测

为解决传统背景减法在动态背景下受噪声干扰和运动目标检测准确性不高的问题,提出一种基于改进背景减法的视频图像运动目标检测方法。在背景建模阶段,为易于计算和提高检测精度,采用基于GMM的图像块均值方法重构背景模型;在目标检测阶段,采用数学形态学和小波半软阈值函数相结合的方法对检测到的运动目标进行去噪处理;在背景更新阶段,采用自适应背景更新方法进行背景更新。实验结果表明,所提方法提高了运动目标检测的准确性,验证了其有效性。     

交互式视频对象分割系统的设计与实现

主要讨论了交互式视频对象分割系统的设计和实现过程.在简要介绍系统流程的基础上,重点论述在视频对象分割中用到的运动估计算法和Graph-cut算法,最后通过一个实例显示系统的分割效果.     

基于色彩学习的彩色图象分割方法

图象分割是实现计算机图象识别与理解的基础，而彩色是进行图象分割的一个重要手段。本文给出了一种基色彩学习的彩色图象分割算法。     

基于自适应局部阈值的交互式图像分割

目前比较主流的交互式图像分割技术,对用户的输入位置和输入量比较敏感,而且用户的输入具有试探性,所以为了得到满意的分割结果,用户不得不多次调整自己的输入,比较繁琐。针对这种不足,提出一种新的交互式图像分割方法。首先采用基于自适应局部阈值的图像分割算法,生成一系列同质区域,并描绘出其轮廓;然后用户用不同颜色,粗略标记出组成不同目标的区域集;最后通过合并同色标记的区域集,完成图像分割。实验结果表明,该算法不仅满足用户对交互式图像分割输入更直观、结果更准确的需要,同时方便地实现了多区域多目标的图像分割。     

基于天空分割的去雾算法在目标检测中的应用

针对道路目标检测的准确率受雾霾环境影响的问题,提出一种基于雾检测与天空分割的自适应去雾算法。提取道路环境中的雾检测区域并对其进行通道相关性以及亮度和饱和度比值的计算,以判别场景类别;对图像进行天空非天空区域的分割并对不同区域建立去雾模型,用于自适应去雾;将恢复后的图像应用到道路目标检测算法中,进行去雾效果验证和道路目标检测。实验结果表明,该算法提高了雾霾环境下目标检测的准确率。     

基于图像序列的非刚体三维运动恢复

研究图像序列中非刚体的三维运动重建问题。介绍非刚体运动重建的两种重要算法:奇异值分解法和线性迭代法。对迭代算法所用的重构方法进行修改,在迭代过程中应用结果更为精确的重构方法来求解非刚体的模型和旋转矩阵。对真实图像序列的实验结果验证了该算法的有效性和精确性。     

基于图像多尺度运动特征的模糊分割算法

从运动分析的角度出发,对所研究的图像序列,提出了一种基于空域－时域连续小波变换（CWT）的模糊分割算法。运用可分离的小波函数作为滤波器来提取不同尺度上的运动参数,由不尺度上的运动特征参数构成特征参数集,然后运用快速模糊聚类算法实现基于运动特征的图象分割。该分割算法不仅对噪声具有较强的适应性,而且也极大地提高了图像分割的速度,同时使得分割结果能够更加准确地反映运动物体的特征。     

基于局部动态阈值的矾花图像分割

提出并实现了一种局部动态阚值分割算法,该算法应用于矾花图像,先求取各局部图像的阈值,再获得局部动态阀值,进行二值化分割。实验表明,该算法切实可行,能取得初步的分割结果,获得较高的分割精度。     

基于运动目标子块分割的视频零水印算法

为了提高视频水印的鲁棒性和隐蔽性,提出一种将水印与视频内容特征相结合的零水印方案。通过帧间欧氏距离选取关键帧,利用改进帧差法提取视频关键帧中运动目标,对关键帧的运动目标进行子块分割,选择运动目标几何形心所在块构成三维体块;再将三维体块分割成多个大小相等的小三维体块,利用小三维体块中所有子块的离散余弦变换直流系数构造特征向量;最后利用特征向量实现将水印零嵌入到视频内容中。实验表明,该算法未破坏原视频内容,不仅具有很好的隐蔽性,还能有效地抵抗旋转、压缩编码等攻击。     

一种基于矢量PCNN的彩色图像自动分割算法

为了对彩色图像实施自动分割,在彩色图像RGB空间中,对传统PCNN模型进行了改进与推广,提出一种基于指数熵矢量脉冲耦合神经网络(VPCNN)彩色图像自动分割新算法。该方法在考虑VPCNN互联矢量神经元动态时空相似特性的同时,利用改进指数动态阈值矢量与神经元内部活动项矢量间的信息对比关系确定分割图像的目标和背景区域,结合最大指数熵判据来达到彩色图像的自动分割,并与最大香农熵准则VPCNN分割方法做了比较。实验结果表明:算法具有图像分割精度高、适应性强、能较好地保持彩色图像边缘和细节等信息的优点。     

一种基于视频监控的运动目标快速分类方法

利用运动目标的视觉图像和运动信息获取运动目标的归整轮廓,用双目视觉测量出运动目标的特征数据,先将运动目标分为人和车辆两类,然后采用不同特征进行分类。细化分类采用多特征的树型分类器,逐层细化分类;该分类方法避免了样本训练和模板匹配,分类速度快。