基于改进活动轮廓的视频对象自动分割及跟踪算法

为了能够从视频序列图像中准确地提取出运动视频对象,提出了一种基于改进活动轮廓的视频对象自动分割及跟踪方法。该方法首先采用连续帧间差的4次统计量假设检验来确定视频对象的运动区域,并使用形态滤波消除残余噪声和空洞;然后根据3帧序列图像得到的前后运动区域的相与运算来有效地解决运动视频对象前后帧的遮挡问题,以获得视频对象模板,当提取出视频对象模板的边缘轮廓后,再用梯度向量流场作为外力的改进活动轮廓算法来获得视频对象的精确轮廓;最后以此视频对象的轮廓为基础进行运动补偿,以得到下一帧图像的初始曲线,再使用改进的活动轮廓算法对下一帧图像进行分割,即可实现视频对象的跟踪。该方法不仅能够消除差分图像中的显露背景,得到运动视频对象精确的轮廓,并且可进行多目标的分割与跟踪。     

基于动态背景构造的视频运动对象自动分割

提出了一种基于动态背景构造的视频运动对象自动分割算法．首先,基于前景分离的动态背景构造技术使用与当前帧相邻的前后多帧图像中的背景信息准确地构造当前背景;然后,通过背景消除分割出运动对象,同时对静态前景区域（即帧间静止的运动对象区域）进行检测并将其合并到已分割出的对象区域上,从而获得完整的对象区域;最后,以对象区域的边缘为初始位置,使用以彩色梯度为外部能量的活动轮廓（snake）算法获得精确的对象轮廓．实验结果表明,该文算法有效地克服了显露背景和对象的不规则运动对分割准确度的影响,能够准确地实现视频运动对象的自动分割．     

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Mumford-Shah模型的时空视频运动对象分割

针对目前视频对象分割中存在的结果轮廓不精确和不能有效从复杂背景分离出对象的问题,在基于时空分割的基础上,提出了一种采用Mumford-Shah模型的时空联合分割技术。该算法采用序列图像帧间差的高阶统计量(HOS)假设检验,自动分离运动区域和背景区域;采用MS泛函模型精确地将当前视频分为不同的灰度连续区域;最后,通过对空域分割后的图像和二值运动掩模图像进行投影运算得到运动对象。实验结果表明,该算法不需要进行中值滤波的预处理,具有并行机制,能提取运动对象较精确的边缘轮廓,是一种有效的图像分割方法。     

基于马尔可夫随机场与活动轮廓的运动目标分割

针对视频序列图像中的运动目标分割，提出了将马尔可夫随机场模型和活动轮廓模型相结合的运动目标分割算法。该算法首先利用马尔可夫随机场模型的运动检测算法，得到运动目标的初始模板。在此基础上提取出活动轮廓模型的初始轮廓点，然后构造活动轮廓模型的能量函数。用改进的贪婪算法求得能量函数最小值，提取出运动目标的精确轮廓，从而得到具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

一种基于时空结合的视频运动对象分割算法

针对目前的视频运动对象分割中算法复杂度高、实时性差,分割不精确等问题,提出了一种基于时空结合的视频运动对象分割算法.该算法利用视频序列的时间相关性来进行对称差分处理,首先取得当前帧运动对象的大致轮廓区域;然后在轮廓区域内,用区域增长法对图象作空域分割;最后利用对称差分的分割结果排除空域分割结果中的背景区域来取得运动对象.实验结果表明,这种算法简单实用,不仅兼顾了实时性和精确性,而且能有效地分割出视频序列中的运动对象.     

C-V模型在红外视频火灾图像分割中的应用

针对大空间中红外视频火灾图像边缘模糊,不易准确分割问题,研究了一种基于背景差分和C-V模型的分割方法。通过背景差分得到运动图像;利用形态学处理得到完整的运动区域,并获得其外接矩形;以外接矩形作为C-V模型的初始轮廓曲线进行分割,得到封闭、完整的运动目标轮廓。该算法避免了对整幅图像分割,减少了运算量。通过实验仿真并与阈值分割算法比较,证明了该算法的准确性和有效性,有利于下一步火灾特征提取与识别。     

一种基于改进ViBe的运动目标检测方法

针对ViBe算法存在的不能有效去除背景噪声以及鬼影现象,提出一种结合帧差法和ViBe算法的改进算法。首先利用帧差法提取出运动目标的轮廓,然后根据得到的轮廓粗提取运动目标区域,最后在得到的运动目标区域基础上分类进行ViBe算法更新背景并分割出完整的运动目标。实验结果表明,此算法能够有效抑制噪声以及鬼影造成的影响,在速度方面也比原算法有所提高。     

基于压缩域的视频关注对象提取

针对视频压缩域的对象分割问题,提出了一种视频对象精确提取方法.先将视频对象的颜色空间进行均值偏移和区域生长,得到分块的视频图像.同时对视频编码过程中所产生的运动矢量统计熵值,提取出视频中能引起人眼关注的运动对象.最后利用提出的对象轮廓精确分割方法,提取视频关注对象.实验表明该算法能精确和完整地分割出视频关注对象,并对视频中关注对象的切换、物体的非刚性形变有很好的鲁棒性.     

基于粒子滤波与改进水平集的人手跟踪

提出一种基于肤色信息的改进水平集分割算法,给出整个算法的推导和实现过程,实现复杂背景下的精确人手轮廓分割,在进行人手跟踪时,使用粒子滤波对手的位置和大小进行跟踪,并用跟踪结果初始化水平集函数,以此加快轮廓曲线的收敛速度,获得手的轮廓后,对指尖位置进行定位。实验结果表明,该算法能够在复杂背景下实时、准确地跟踪人手轮廓和指尖位置。     

一种动态场景下运动对象分割新算法

视频运动对象分割是计算机视觉和视频处理的基本问题。在摄像机存在全局运动的动态场景下,准确分割运动对象依然是难点和热点问题。本文提出一种基于全局运动补偿和核密度检测的动态场景下视频运动对象分割算法。首先,提出匹配加权的全局运动估计补偿算法,消除动态场景下背景运动对运动对象分割的影响;其次,采用非参数核密度估计方法分别估计各像素属于前景与背景的概率密度,通过比较属于前景和属于背景的概率及形态学处理得到运动对象分割结果。实验结果证明,该方法实现简单,有效地提高了动态场景下运动对象分割的准确性。     

基于高斯混合模型的视频运动对象自动分割算法

提出的算法首先采用高斯混合模型依据空间属性对当前帧进行聚类分割,可以克服一般聚类算法对数据集中的噪声无法建模以及聚类数目难以确定的问题.然后依据时序属性,分割出当前帧的运动对象的初步轮廓区域.最后将初步轮廓区域和聚类分割的区域进行匹配,提取出视频运动对象.通过实验验证,算法具有较好的准确性和抗干扰性,在运动微小的情况下也能取得比较好的效果.     

静止背景下基于宏块的运动对象的提取

提出了一种新的利用MPEG-4编码过程中宏块运动估计的结果来提取运动对象的算法。该算法在运动估计过程中加入相应的准则,充分利用运动估计中宏块的运动矢量和最小平均绝对差值来获取运动区域的掩模矩阵,最后经过消除噪声点和空洞获得精确的掩模矩阵从而获得运动对象,该方法能在编码过程中进行。实验证明:利用该方法得到了理想的分割效果,较传统基于像素的运动对象提取的方法大大节省了处理时间。     

灰度投影结合Fisher准则的对象分割

视频对象分割是基于内容的视频编码和视频检索中的的对象跟踪方法,提出了一种可以从复杂场景中分割出MPEG-4的视频对象新方法.首先采用灰度投影匹配进行全局运动估计和补偿,用以消除背景变化的影响;然后由二次差分抽取中间帧解决遮挡问题,通过Fisher评价函数结合数学形态学填充得到运动对象分割掩膜,同时消除残余噪声以及平滑边缘.实验结果表明,该方法在一定范围内较好地解决了遮挡问题,并能够高效快速地得到比较精确的视频对象.     

帧差累积和减背景相结合的运动对象分割方法

针对低比特率的多媒体视频序列,提出了一种综合利用帧差累积和背景减法来进行运动对象分割的方法。由一种改进的帧差累积方法得到初步的运动对象区域,通过背景减法得到运动对象区域,把由两种方法得到的运动对象区域相结合取得完整准确的结果,二值化后再经过形态学处理和二次扫描填充即可得到运动对象掩模,用原图像的灰度值填充该区域。实验表明,该方法快速,准确,并有一定的应用价值。     

基于运动信息与马尔可夫彩色聚类的运动目标分割

针对视频序列图像中的运动目标分割,论文提出了将运动检测和马尔可夫彩色聚类相结合的运动目标分割算法。该算法首先利用基于统计模型的运动检测算法,通过后处理,得到运动目标的初始模板。然后,利用区域生长算法进行彩色图像的初始分割,在初始分割的基础上应用马尔可夫随机场模型进行彩色聚类,得到具有精确边缘的分割区域。最后,将运动目标的初始模板和彩色精确分割结合起来提取出具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

融合时域信息的修正分水岭视频分割新方法

提出一种将时域信息融入分水岭的视频分割新方法,以帧间变化检测为基础,通过运动边缘信息得到对象的初始模型,利用时域信息得到前景和背景的标识,结合提出的彩色多尺度形态学梯度算子进行分水岭分割,得到具有精确边界的视频对象,对慢变和快变的目标均有良好的效果,能够检测新出现的运动对象和现有对象的消失,能够定位和跟踪运动目标.继承了变化检测和分水岭算法速度快的优点,克服了两者易受噪声影响的缺点.     

基于帧差和小波包分析算法的运动目标检测

提出了一种在镜头不动的情况下基于累积帧差分割和小波包分析融合技术的运动目标检测方法。这种方法可分为四步:使用改进的累积帧差算法和阈值分割算法完成目标区域的分割,并获得初始运动模板;利用小波包分析算法提取出单帧图像的边缘信息并获得细化的目标区域边缘图;根据初始运动模板和空域边缘图像的融合得到更精确的运动目标模板;最后结合原序列图像检测出完整的运动目标。实验结果表明:这种方法可以有效地从对比度较小和噪声较大的视频序列中较精确地检测出完整的运动目标。     

基于帧差和小波包分析算法的运动目标检测

提出了一种在镜头不动的情况下基于累积帧差分割和小波包分析融合技术的运动目标检测方法.这种方法可分为四步:使用改进的累积帧差算法和阈值分割算法完成目标区域的分割,并获得初始运动模板;利用小波包分析算法提取出单帧图像的边缘信息并获得细化的目标区域边缘图;根据初始运动模板和空域边缘图像的融合得到更精确的运动目标模板;最后结合原序列图像检测出完整的运动目标.实验结果表明:这种方法可以有效地从对比度较小和噪声较大的视频序列中较精确地检测出完整的运动目标.