一种新的基于吉布斯随机场的视频运动对象分割算法

与现有的视频运动对象分割算法不同, 本文提出一种新的基于吉布斯 (Gibbs) 随机场模型的视频运动对象的分割算法, 该算法将运动对象的运动场作为主分割信息, 空间像素值的一致性作为次要分割信息. 该算法首先对运动矢量场进行累加和滤波处理；然后在 Gibbs 运动场模型的势能函数的定义中引入空间相关影响因子, 采用最大后验概率的方法进行分割；最后细化运动对象边缘. 对多个视频序列的测试, 实验结果表明该算法比现有基于光流的分割算法更准确的分割运动对象.     

基于时空结合概率模型的运动估计和分割方法

探讨了一种基于贝叶斯框架的时空标记场最大后验边缘概率与最大后验概率相结合的运动对象分割算法.通过建立贝叶斯分布模型,求得对象分割标记场的最大后验概率,引入最大后验边缘概率求取最小能量.该算法将时间域分割结果作为初始标记场,空间域的分割结果作为图像的观察场,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,来估计运动区域,最终达到分割的目的.实验结果证明,研究的方法对运动目标分割具有较好的分割效果.     

一种基于区域收缩的运动分割算法

运动分割需要估计出每个运动的运动模型参数和运动支持区。为准确地确定运动支持区,在最大后验边缘概率(MPM-MAP)算法的基础上,提出了一种新的基于区域收缩的运动分割算法,用于确定运动支持区。该算法先以属于某种运动概率最大的像素为备选像素,然后通过区域收缩选定备选像素密度最大的区域为支持区范围。此外,还提出了一种新的运动模型参数初值的估计方法,并将差分图像包围盒的确定和区域收缩相结合,用于运动模型参数的初值估计,该方法先估计运动区域,再估计运动模型参数,并通过运动分解、合并和消亡来获得准确的运动个数。实验结果表明,该方法是有效的。     

一种有效的运动物体检测方法

为了从监控视频中检测出较高质量的运动物体,文章提出了一种基于帧间差分和背景差分相结合的运动目标的检测方法,并且采用像素级和帧级背景更新相配合的一种背景更新策略。算法求取各像素点处的最大概率灰度,从而提取出连续视频的背景图像;相邻帧则利用帧间差分法以及背景差分法得到两幅运动区域图像;将两幅运动区域图像相与,提取出较为准确的运动目标。实验证明,该算法对光线的变化鲁棒性较高,运算速度较快,且能够及时的响应监控视频的实时变化,提高运动目标的检测质量。     

基于变化检测的视频对象分割算法研究

随着基于对象视频应用的发展,视频对象的分割成为人们研究的热点。提出了一种基于变化检测的视频对象分割算法。该算法首先求出连续两帧图像之间的差分,利用帧间变化信息可以得到视频对象的运动区域,根据差分图像的中值（MED）和中值绝对差（MAD）及原始图像均值确定阈值并滤除噪声,用数学形态学方法进行后处理,最终得到精确的视频运动对象。实验结果表明,该方法能够从背景不变的视频序列中较好地提取出视频运动对象,而且算法简单、高效、准确。     

基于帧间差分的自适应运动目标检测方法*

本文提出了一种基于帧间差分的自适应运动目标检测算法。算法利用直方图统计各像素点处最大概率灰度的方法提取出连续视频的背景图像;相邻帧利用帧差法得到运动区域图像;利用运动区域图像与背景图像差分的方法提取出运动目标。实验结果表明,该算法能在多个不确定性因素的序列视频中较好的提取背景图像,能及时响应实际场景变化,提高运动目标检测的质量。     

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.     

基于最大类间方差法的快速交通视频运动目标分割方法

针对交通视频运动目标分割中,信息量大,运算耗时的特点。提出一种新的快速运动目标分割方法。首先选择两帧合适图像相减并取绝对值,然后对所得图像进行分块,判断应该被舍弃的子块。选择剩下的子块进行最大内间差分运算,分割出运动目标。试验结果表明这种方法能够在满足交通视频图像目标分割的基础上大大提高算法效率。     

基于GrabCut算法和四帧差分法的目标提取算法

提出了一种基于Grab Cut算法和四帧差分法相结合的运动目标检测和提取算法。首先,利用四帧差分法对视频中连续的四帧图像进行二次差分;然后,对差分后的图像分别做水平投影和垂直投影,计算运动目标区域;最后,使用Grab Cut算法分割目标区域得到完整的运动目标。实验结果证明,该方法既能精确和完整地检测出运动目标,又能有效地去除空洞、拉伸等现象。     

背景帧差与分块帧差相融合的运动目标检测

提出一种融合使用背景帧差和分块帧差的运动目标检测方法。该方法通过对图像的每个像素点进行学习,然后建立初始背景,通过不完全覆盖分块法对图像进行分块,对各子块进行帧间差分实现对前景图像的粗提取,采用otsu算法获取阈值,运用背景差分对前景图像进行细提取。背景采用分段学习的更新方法,能够消除光照变化、背景物体摇动等噪声。实验结果表明,该方法快速、准确,抗干扰能力强,能较好地满足实时检测运动目标的要求。     

一种基于块的校正码书模型*

针对运动物体检测研究的难点之一——复杂动态背景,提出一种新的基于块的校正码书模型。该模型利用HSV空间基于像素块建立校正码书, 它具有四个方面的特色：a）引入HSV颜色空间提高了前后景的区分度;b）利用像素块构造码书以克服动态背景对单个像素的影响;c）引入反馈校正机制实现自适应的码书更新,减小伪目标的生成;d）实施码书的小样本学习方法,以提高检测速度。提出测量检测效率的覆盖率—正确率曲线定性评价方法。包含该评价方法的定性和定量实验表明,本模型可以高效快速地检测出复杂动态背景下的运动物体。     

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。     

基于分块和改进粒子滤波的运动目标检测方法

为了快速准确地检测到视频场景中的运动目标,提出了一种基于分块和改进的粒子滤波的运动目标检测方 法。首先,对视频图像序列分块并提取每个图像块的颜色特征;然后,用改进的粒子滤波对每个图像块进行操作,计算 出每个块对应的粒子的权重;最后,根据粒子的平均权重建立背景模型,提取运动目标。将分块和粒子滤波相结合,能 够在不降低检测精度的基础上,大幅减少算法的计算量,提高算法的执行速度。实验结果表明,该方法具有较好的鲁 棒性、杭噪性和抗光照变化能力,提取的运动目标更加完整。     

运用视频监控技术检测高速运动目标的新算法

提出了一种新的基于图像块和HVS彩色图像差值技术的高速运动目标检测算法。对分块后的图像进行粗检，辅以经验知识确定出目标的大概区域。在锁定的局部区域内运用HVS彩色图像差值方法检测出运动目标。实验结果表明，该算法克服了传统的差图像法的缺点，能够有效地抑制阴影的影响，具有自适应性强、速度快等优点。在复杂的环境下，运用该算法提取运动目标可以获得满意的效果。     

视频序列中的运动目标检测

针对室内安全监控的场景特点,提出一种稳健的运动目标检测方法,对每个背景像素使用多个矢量表示,利用当前帧和背景帧像素的色度分量差分进行运动检测,并选择性地更新背景模型.实验表明,该方法能有效消除背景中振动对象的干扰,提高运动目标检测的准确性,有利于消除由于虚假目标而导致的误报警.     

嵌入式系统中视频运动对象分割

提出了一种基于嵌入式系统的视频运动对象分割算法。首先利用差图像法抽取出运动的像素点，然后通过统计像素点的状态变化频率来区分运动物体和动态背景，并配合一权值状态矩阵将全局光照突变和动态背景像素自适应融合到背景中，从而分割出运动对象并进行跟踪。实验结果表明，该算法在嵌入式系统中实时跟踪运动目标取得了很好的效果。     

一种应用于运动车辆检测的背景更新方法

基于分块思想的选择性背景更新方法存在块与块之间衔接不自然、抗干扰性弱等不足。为此,提出一种引入滤波和逐渐修正的背景更新方法。利用分块思想将图像分成区域小块,根据均值和方差确立前景区域、背景区域及其变化大小,对前景区域和背景区域分别进行更新。实验结果证明,应用该方法进行运动车辆检测,其检测正确率能提高9%左右,时间效率也稍有提高。     

Multi-focus image fusion using a morphology-based focus measure in a quad-tree structure

Finite depth-of-field poses a problem in light optical imaging systems since the objects present outside the range of depth-of-field appear blurry in the recorded image. Effective depth-of-field of a sensor can be enhanced considerably without compromising the quality of the image by combining multi-focus images of a scene. This paper presents a block-based algorithm for multi-focus image fusion. In general, finding a suitable block-size is a problem in block-based methods. A large block is more likely to contain portions from both focused and defocused regions. This may lead to selection of considerable amount of defocused regions. On the other hand, small blocks do not vary much in relative contrast and hence difficult to choose from. Moreover, small blocks are more affected by mis-registration problems. In this work, we present a block-based algorithm which do not use a fixed block-size and rather makes use of a quad-tree structure to obtain an optimal subdivision of blocks. Though the algorithm starts with blocks, it ultimately identifies sharply focused regions in input images. The algorithm is simple, computationally efficient and gives good results. A new focus-measure called energy of morphologic gradients is introduced and is used in the algorithm. It is comparable with other focus measures viz.energy of gradients, variance, Tenengrad, energy of Laplacian and sum modified Laplacian. The algorithm is robust since it works with any of the above focus measures. It is also robust against pixel mis-registration. Performance of the algorithm has been evaluated by using two different quantitative measures.     

基于运动点团的鱼眼图像中多目标检测方法研究

采用运动点团模式对鱼眼视频序列中的目标检测方法进行了研究和探讨。运动点团模式的运动目标检测分为三个层次,每个层次对应一个具体的检测算法,即基于像素层的背景提取和更新、运动点团层的点团检测和判定及运动目标层的目标标记和跟踪。对三个算法的原理进行了探讨,并结合鱼眼图像的特点进行了算法改进和优化。实验结果表明,以运动点团作为中间检测过程的方法能有效对圆形鱼眼视频序列中的多个运动目标进行检测,特别是图像边缘的大畸变、低分辨率目标,相比传统的检测方法具有更好的检测稳定性和准确性,在大范围智能视频监控中具备很好的实际应用价值。