面向智能视频监控中的运动目标检测方法研究

运动目标检测是实现智能视频监控的基础,针对当前运动目标检测方法在复杂场景中适应性差的问题,提出了一种结合时空马尔可夫随机场模型和高斯混合模型的运动目标检测方法。在训练时空马尔可夫随机场模型时,采用高斯混合模型的参数更新算法计算邻域图像分割区域的均值和方差,并通过时空邻域标记场设置势函数。通过与传统目标检测方法的仿真比较,验证了该方法的优越性。结果表明,与传统的目标检测方法相比,该方法在复杂场景下具有更高的检测精度,能够更清晰地分割前景中的运动目标。     

基于简化随机场模型的高分辨率遥感影像分割方法

提出了一种灰度分割的基础上添加辅助的纹理分割的基于简化随机场模型的遥感影像目标分割方法,即用常用的描述局部图像特点的特征代替MRF中定义的特征,将这些特征组合成特征向量进行模糊C均值聚类完成分割。给出了算法流程和实验结果,并将该结果与基于高斯马尔可夫随机场模型法分割的结果进行比较,实验结果表明简化随机场模型法在保证一定的分割精度的情况下,分割速度明显快于高斯马尔可夫随机场模型法。     

基于多分辨率马尔可夫随机场运动目标分割

提出一种基于三维时空小波变换和马尔可夫随机场(MarkovRandomField)模型的多分辨率运动目标分割算法。该算法利用三维时空小波变换对图像序列进行分解得到多分辨率的图像序列,并在此基础上建立多分辨率的马尔可夫随机场模型,构造相应的能量函数。通过条件迭代模型优化算法(IteratedConditionalModes)求解能量函数的最优解,得出标记场,提取出运动目标。实验结果证明,该算法能够很好地消除了单一分辨率的MRF运动检测结果中"空洞"现象,对运动目标分割具有很好的分割效果。     

基于多分辨率马尔可夫随机场运动目标分割

提出一种基于三维时空小波变换和马尔可夫随机场(Markov Random Field)模型的多分辨率运动目标分割算法.该算法利用三维时空小波变换对图像序列进行分解得到多分辨率的图像序列,并在此基础上建立多分辨率的马尔可夫随机场模型,构造相应的能量函数.通过条件迭代模型优化算法(Iterated Conditional Modes)求解能量函数的最优解,得出标记场,提取出运动目标.实验结果证明,该算法能够很好地消除了单一分辨率的MRF运动检测结果中"空洞"现象,对运动目标分割具有很好的分割效果.     

基于Markov随机场模型的运动对象分割研究

本文探讨了一种基于高斯马尔可夫随机场(GMRF)模型的运动目标自动分割算法.该算法采用高斯混合分布描述视频序列的差分图像,对标准MAP算法进行了改进,使用快速方法计算后验边缘。首先对视频处理对象进行初始分割,获取初始运动数目以及相应的运动模型的初始参数,然后通过参数估计,不断更新模型参数,之后通过把每个运动区域和运动模型相关联,来同时估计多个运动区域,最终达到分割的目的.实验结果证明,本文所提的方法对运动目标分割具有较好的分割效果.     

基于混合高斯模型MRF场的CT图像分割*

提出了一种基于混合高斯模型的马尔可夫随机场CT图像分割方法.此方法根据工业CT图像的特点,建立混合高斯逼近的图像灰度统计模型;用混合高斯模型作为Markov随机场的先验模型,提出混合高斯Markov随机场分割模型.实验表明,该方法较单高斯模型有很大的改善,对工业CT图像分割效果好.     

马尔可夫随机场理论在目标跟踪中的应用

在目标跟踪问题中,被跟踪目标的尺度变化、旋转变化和遮挡都会造成跟踪精确度的降低或目标的丢失。针对这些问题,提出了一种基于马尔可夫随机场的目标跟踪方法,将运动目标跟踪问题看作是前景和背景的二值分类问题,建立前景背景分割的马尔可夫随机场模型,从而实现对前景背景的分类,以完成对运动目标的跟踪。试验证明,这种方法可以有效地克服前景目标的尺度变化和旋转变化以及遮挡给目标跟踪带来的困难。     

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。     

采用多组单应约束和马尔可夫随机场的运动目标检测算法

针对现有动态背景下目标检测算法的局限性,提出一种基于多组单应约束和马尔可夫随机场的运动目标检测算法.该算法以视频序列多帧跟踪的运动轨迹为基础,通过轨迹分离和像素标记2个阶段实现运动目标的检测:在轨迹分离阶段,利用多组单应约束对视频序列的背景运动进行建模,并基于该约束通过累积确认的策略实现背景轨迹和前景轨迹的准确分离;在像素标记阶段,以超像素为节点建立时空马尔可夫随机场模型,将轨迹分离信息以及超像素的时空邻域关系统一建模在马尔可夫随机场的能量函数中,并通过最小化能量函数得到每个像素的前背景标记结果.与现有基于运动轨迹的方法相比,文中算法不需要仿射摄像机模型的假设,有效地解决了运动轨迹等长带来的轨迹点区域缺失问题,并可同时处理静态背景和动态背景2种类型的视频;在多个公开数据集的测试结果表明,该算法在轨迹分离准确性、轨迹点密度以及像素标记准确率等方面均优于现有方法.     

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。     

二维纹理图象的产生

本文在R.Chellappa提出的马尔可夫模型[1]纹理综合方法的基础上,提出了一种级联的 马尔可夫模型.利用此模型进行纹理图象综合时,可以克服文献[1]中所提出的方法的不稳定 性,而且使模型应用范围更广泛,实验结果更理想.     

Moving object detection using spatio-temporal multilayer compound Markov Random Field and histogram thresholding based change detection

Multimedia Tools and Applications - In this article, we propose a Multi Layer Compound Markov Random Field (MLCMRF) Model to spatially segment different image frames of a given video sequence. The...     

基于局部区域能量最小化模型的图像分割

在马尔可夫随机场(MRF)和概率理论的基础上,提出局部区域能量最小化模型,将传统基于像素的分割转化为基于区域的分割,能减小均匀区域中的误分类率。在该模型和MRF模型下,使用ICM算法、Gibbs采样算法、Metropolis采样算法对图像进行分割,结果表明该模型能取得更精确的分割结果,可有效拟制图像噪音和纹理对分割的影响。     

基于改进高斯混合模型的运动目标检测方法

传统高斯混合模型(GMM)对于光照突变十分敏感,且收敛速度较慢。为此,提出一种基于改进GMM的运动目标检测方法。利用不匹配像素消除光照影响,使用改进的GMM提取背景图像。通过差分当前帧与背景图像获得二值差分图像,从该差分图像中获取运动目标。实验结果表明,该方法能适应光照变化,提高检测的准确性和鲁棒性。     

基于Markov随机场理论的鼠脑切片显微图像的分割研究

鼠脑中的神经细胞是生物学家的一个重要研究对象.随着计算机视觉技术的飞速进步,研究者们利用图像分割技术从鼠脑切片显微图像自动提取细胞,为进一步分析提供便利.文中提出一种基于马尔可夫随机场理论的鼠脑切片细胞分割算法.相对于传统的算法,文中创新是利用已有的专家标记图和原始图像的灰度特征,结合期望最大化算法,初步估计高斯混合模型的参数,作为条件迭代模式算法的初始值,不仅提高分割精度,且减少迭代次数;并将像素的灰度特征和像素间的距离加入到传统的Potts随机场模型中,更加合理地描述像素间的定量关系.实验结果表明,与传统方法相比,此方法具有较高的计算效率和分割精度.     

基于Markov随机场的运动目标快速分割

提出了一种基于MRF模型自适应运动目标图像分割方法，该法采用高斯混合模型描述视频序列的差分图像，用模拟退火快速EM算法对高斯分布的参数进行估计，在此基础上建立MRF模型，利用此模型构建能量函数，ICM算法把图像用一个能量函数取到最小值的组态来表示。     

An automatic statistical segmentation algorithm for extraction of fire and smoke regions

Estimation of the extent and spread of wildland fires is an important application of high spatial resolution multispectral images. This work addresses a fuzzy segmentation algorithm to map fire extent, active fire front, hot burn scar, and smoke regions based on a statistical model. The fuzzy results are useful data sources for integrated fire behavior and propagation models built using Dynamic Data Driven Applications Systems (DDDAS) concepts that use data assimilation techniques which require error estimates or probabilities for the data parameters. The Hidden Markov Random Field (HMRF) model has been used widely in image segmentation, but it is assumed that each pixel has a particular class label belonging to a prescribed finite set. The mixed pixel problem can be addressed by modeling the fuzzy membership process as a continuous Multivariate Gaussian Markov Random Field. Techniques for estimating the class membership and model parameters are discussed. Experimental results obtained by applying this technique to two Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) images show that the proposed methodology is robust with regard to noise and variation in fire characteristics as well as background. The segmentation results of our algorithm are compared with the results of a K-means algorithm, an Expectation Maximization (EM) algorithm (which is very similar to the Fuzzy C-Means Clustering algorithm with entropy regularization), and an MRF-MAP algorithm. Our fuzzy algorithm achieves more consistent segmentation results than the comparison algorithms for these test images with the added advantage of simultaneously providing a proportion or error map needed for the data assimilation problem.     

基于MRF场的SAR图像分割方法

提出了一种基于MRF（Markov Random field)模型的SAR（Synthetic Aperture Radar)图像分割算法,本算法利用ICM（（Iterative Conditional Mode)局部 优化方法,获得MAP（maximum a posteriori)准则下的图像分割结果。并引入了剔除外层数据的机制,用MSTAR（Moving and Stationary Target Acquisition and Recognition)数据进行实验,结果表明,算法能有效减少斑点噪声的影响将图像分割为目标,阴影,背景三部分,实验结果是令人满意的。     

基于马尔可夫模型的多分辨率图像分割算法

为解决图像分割中过分割、欠分割和依赖初始分割问题,提出一种基于马尔可夫模型的多分辨率图像分割算法。利用变权重方法改进多分辨率马尔可夫随机场算法,结合曲波和小波变换对图像进行多分辨率分析,并通过区域合并减少图像中的区域数。实验结果表明,与经典算法相比,该算法的分割性能较好。     

全卷积网络结合改进的条件随机场循环神经网络用于SAR图像场景分类

传统合成孔径雷达（SAR）图像基于粗分割像素块提取相关特征,后接支持向量机（SVM）和马尔可夫随机场（MRF）或条件随机场（CRF）进行分类,该方法存在同一像素块内部不同类别像素的误差,而且只考虑邻近区域未充分用到全局信息和结构信息。故考虑基于像素点引入全卷积网络（FCN）,以ESAR卫星图像为样本,基于像素点级别构建卷积网络进行训练,得到各像素的初始类别分类概率。为了考虑全局像素类别的影响后接CRF-循环神经网络（CRF-RNN）,利用FCN得到的初始概率,结合CRF结构得到全局像素类别转移结果,之后进行RNN的迭代进一步优化实验结果。由于基于像素点和考虑了全局信息与结构信息,克服了传统分类的部分缺点,使正确率较传统SVM或CRF方法平均提高了约6.5个百分点。由于CRF-RNN的距离权重是用高斯核人为拟合的,不能随实际训练样本来改变和确定,故存在一定误差,针对该问题提出可训练的全图距离权重卷积网络来改进CRF-RNN,最终实验结果表明改进后方法的正确率较未改进的CRF-RNN又提高了1.04个百分点。