基于Hausdorff跟踪器的人脸跟踪识别

Snake算法能够跟踪运动图像中对象的非刚性运动,但是对于背景复杂的图像,Snake跟踪的结果不够理想。因而在首帧分割得到对象轮廓的二值模型后,再采用基于Hausdorff距离的跟踪器,找到对象模型在后继帧中的最佳匹配位置;然后采用Snake模型对该匹配位置上的非刚性形变的像素进行匹配。实验表明:对于具有静止背景且前景对象不是快速运动的视频序列,与直接采用Snake技术进行运动对象的跟踪相比,该提取视频对象平面过程能够进一步提高结果的正确性。     

一种从视频压缩码流中精确提取运动对象的快速算法

针对目前大部分视频对象分割方法相当复杂而且计算量大的问题,提出了一种在压缩域粗分割,在空域精细分割的方法。该方法利用压缩域中运动向量进行聚类,得到运动对象的初始分割。将分割模板通过运动参数映射到参考帧I帧,,解码初始分割区域进行Canny边缘俭测和边缘跟踪,即可得到精确的对象轮廓。该方法使得处理的数据量保持最小,节约了处理时间并得到了像素级精度的分割对象。     

基于模板匹配的视频对象分割

视频对象分割是MPEG-4标准关键技术.本文结合模板匹配和基于运动估值和补偿的对象跟踪方法,提出了一种可以从复杂场景中分割出MPEG-4视频对象的新方法.在使用运动估值和补偿得到分割掩膜后,以初始帧对象颜色为模板,在当前帧的轮廓边界区域通过模板匹配检测对象,使轮廓精确化.本文方法在一定范围内有效解决了遮挡问题,并能够以初始帧跟踪任意长序列中的对象.     

基于GVF Snake的运动目标跟踪方法

针对Snake不能收敛于凹形边缘和收敛速度慢的缺点，结合帧间差分和梯度矢量流主动轮廓模型（GVF Snake），提出了一种运动目标跟踪方法。首先通过帧间差分得到不同时刻的灰度差异图像，然后用形态方法得到的运动目标粗略轮廓作为Snake的初始轮廓，最后利用GVF Snake的特性，准确地收敛到目标边界。实验证明该方法运算速度快、能够快速地收敛到目标轮廓、准确地跟踪目标，并具有一定的抗噪能力。     

基于时域定区间记忆补偿的视频对象分割算法

提出了一种新的基于时域定区间记忆补偿的视频对象分割算法。首先,使用对称帧帧差累计法及帧差图像的四阶矩检测出初始运动变化区域;然后,对检测出的初始运动变化区域通过时域定区间记忆补偿法进行补偿,并进一步整合形成全局运动记忆母板,在空域使用Sobel边缘检测算子较为精确地检测得到当前帧中所有边缘;最后,进行时空融合,从而提取出完整精细的运动对象轮廓并通过填充得到运动对象模板。实验证明了本文算法的正确性和快速性。     

基于运动跟踪匹配技术的视频对象提取

本文提出一种自动分割VOP的技术。其方法是：先对初始帧使用形态运动滤波技术提取出初始运动对象的二值轮廓模型,并在后继帧中使用豪斯道夫对象跟踪器跟踪运动以对象模型;而为了适应对象的形状变化,本文使用活动轮廓模型（snake）技术对运动心合匹配;最后根据一系列精确的二值轮廓引导提取运动对象序列。实验结果表明,我们的算法可有效地提取视频对象平面。     

基于运动补偿的Snake视频对象跟踪算法

当对象移动幅度大时，Snake视频对象跟踪算法中的曲线迭代过程易陷入局部最小，为此，提出一种运动补偿预处理的解决方法。此方法预先估计对象的运动信息，然后对Snake曲线的初始轮廓位置进行运动补偿，最后进行Snake跟踪。实验表明，这种方法不仅跟踪效果好，而且能有效地减少Snake曲线演化的迭代次数。     

综合利用通用霍夫变换与Snake算法对序列图像的分割

提出了一种综合算法对图像序列进行分割:首先根据上一帧图像物体形状信息用霍夫变换确定在当前帧中同一物体的大致轮廓、位置,再以此轮廓作为初始值,用Snake算法检测出物体的局部形变,对于序列的第一帧用手工勾出目标物体大致轮廓.由于通用霍夫变换抗噪声能力强,而Snake能准确地找出局部形变物体的边缘,综合两种算法的特点能精确地分割出复杂背景下特定的物体.     

基于边缘特征的自动运动对象分割

为了准确分割出视频场景中的运动对象,该文提出了一种基于边缘特征的运动对象分割及跟踪算法。首先对相邻帧进行自适应变化检测,得到相邻帧二值差分图像。结合当前帧Canny算子检测的边缘图像,获得运动对象的初始边缘模板。其次对运动对象的运动分为快变和慢变两部分进行跟踪并更新运动对象的边缘模板。最后对运动对象的边缘模板进行数学形态学处理得到运动对象的外轮廓,使用梯度向量流场作为外力的改进活动轮廓算法收缩获得运动对象准确的闭合轮廓曲线。该算法对运动对象的整体运动和局部形变都有很强的鲁棒性, 能够得到运动对象准确的轮廓,并且对复杂背景有很好的适应性。     

一种基于水平集的运动视频对象分割算法

视频对象的分割是基于内容的视频处理的重要组成部分。提出并实现了一种基于水平集的运动视频对象分割算法。算法通过视频帧间的亮度差值提取初始轮廓曲线，将该曲线作为水平集算法的初始零水平集，采用窄带水平集方法演化曲线。得到最终的分割结果。实验表明该算法简单高效，具有很好的分割效果。     

Motion-based object segmentation using hysteresis and bidirectional inter-frame change detection in sequences with moving camera

We present an unsupervised motion-based object segmentation algorithm for video sequences with moving camera, employing bidirectional inter-frame change detection. For every frame, two error frames are generated using motion compensation. They are combined and a segmentation algorithm based on thresholding is applied. We employ a simple and effective error fusion scheme and consider spatial error localization in the thresholding step. We find the optimal weights for the weighted mean thresholding algorithm that enables unsupervised robust moving object segmentation. Further, a post processing step for improving the temporal consistency of the segmentation masks is incorporated and thus we achieve improved performance compared to the previously proposed methods. The experimental evaluation and comparison with other methods demonstrate the validity of the proposed method.     

一种基于脑部肿瘤MR图像的分割方法

针对传统的分割方法难以实现医学图像自动分割和准确分割的问题,提出了一种基于GVF Snake模型的医学图像分割方法。该方法采用Canny算子的边缘检测结果作为GVF扩散方程计算的边缘映射图,提高了GVF Snake模型的抗噪性能;用分水岭算法自动获取的轮廓作为GVF Snake模型分割的初始轮廓,降低了GVF力场计算的复杂性和分割时轮廓线的迭代次数。分析和实验结果表明,采用该方法对脑部肿瘤MR图像进行分割时,能自动准确地分割出肿瘤区域。     

HOS运动目标分割算法在视频监控中的应用

为了提高视频监控中运动目标分割的速度和准确度,研究并实现了一种基于高阶统计量HOS(HigherOrder Statistics)的分割算法.首先根据HOS假设检验处理帧差图,判定像素点是否属于运动区域,阈值通过灰度共生矩阵获得,考虑了背景纹理的慢变化.然后,用矩形框聚类法大致确定运动目标的范围,在该范围内使用形态运算法和首尾扫描法去除空洞.最后,使用模板相与法获得帧图像的运动目标模板,从原图像中分割运动区域.算法采用了由粗到精的分析策略,实验表明,是一种快速稳健的算法.     

目标基视频编码中的运动目标提取与跟踪新算法

自动、快速的视频目标提取与跟踪是目标基视频编码中的一项关键技术.本文提出一种运动目标提取与跟踪新算法.首先,根据多帧运动信息和高阶统计检测方法得到二值运动掩模图像,然后提出一种改进分水岭算法对运动区域及其周围部分进行分割.将二者所得结果进行投影运算,得到最终运动目标.最后提出一种运动目标跟踪新算法,能对目标进行有效的跟踪.实验结果说明了本文算法的有效性.     

基于模糊聚类的视频对象分割

提出了一种基于模糊聚类的视频对象分割方法.首先通过对连续三帧视频图像进行二次差分来得到二次差分图像;然后估计噪声的特征参数滤除背景噪声,提取出视频对象的运动区域;再利用改进的FCM聚类算法对二次帧差图像中的视频对象运动区域进行空域分割,对空域分割结果进行形态学处理,得到视频对象掩模;最终获得较为理想的视频对象.实验结果表明,该算法能够较为准确地分割出视频对象,并且在空间准确度上占优.     

An automatic segmentation method for moving objects based on the spatial-temporal information of video

The new MPEG-4 video coding standard enables content-based functions. In order to support the new standard, frames should be decomposed into Video Object Planes （VOP）, each VOP representing a moving object. This paper proposes an image segmentation method to separate moving objects from image sequences. The proposed method utilizes the spatial-temporal information. Spatial segmentation is applied to divide each image into connected areas and to find pre~：ise object boundaries of moving objects. To locate moving objects in image sequences, two consecutive image frames in the temporal direction are examined and a hypothesis testing is performed with Neyman-Pearson criterion. Spatial segmentation produces a spatial segmentation mask, and temporal segmentation yields a change detection mask that indicates moving objects and the background. Then spatial-temporal merging can be used to get the final results. This method has been tested on several images. Experimental results show that this segmentation method is efficient.     

A hybrid algorithm for automatic segmentation of slowly moving objects

Segmentation of moving objects in video sequences is a basic task in many applications. However, it is still challenging due to the semantic gap between the low-level visual features and the high-level human interpretation of video semantics. Compared with segmentation of fast moving objects, accurate and perceptually consistent segmentation of slowly moving objects is more difficult. In this paper, a novel hybrid algorithm is proposed for segmentation of slowly moving objects in video sequence aiming to acquire perceptually consistent results. Firstly, the temporal information of the differences among multiple frames is employed to detect initial moving regions. Then, the Gaussian mixture model (GMM) is employed and an improved expectation maximization (EM) algorithm is introduced to segment a spatial image into homogeneous regions. Finally, the results of motion detection and spatial segmentation are fused to extract final moving objects. Experiments are conducted and provide convincing results.     

基于最小能量的图像分割方法

提出了一种图像分割新方法,与 Ｓｎａｋｅ 模型一样,该方法融合了传统的三阶段分割方法,并克服了 Ｓｎａｋｅ 模型只能处理单区域轮廓线的缺陷,适用于多区域、多空间位置关系的图像分割,无需轮廓线的初始位置设定。同时,动态规划的嵌入特性,保证了图像分割的全局最优化,实现了图像轮廓线的精确定位和自动分割。实验结果表明了该方法对于多区域图像分割的有效性。