首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 296 毫秒

1.  复杂背景下H.264压缩域运动目标检测算法  
   陈明生  梁光明  孙即祥  刘东华  赵 键《通信学报》,2011年第32卷第3期
   针对H.264/AVC压缩码流中的运动目标检测问题,提出了一种基于马尔可夫随机场的最大后验概率(MAP-MRF,maximum a posterior-Markov random field)框架下适合复杂背景的H.264压缩域运动目标检测算法。算法首先生成滤波后的4×4像素块均匀运动矢量(MV,motion vector)场,对MV的相位建立高斯混合模型(GMM,Gaussian mixture model),结合MV幅度、帧间宏块分割模式、MV相位背景模型和运动目标时空约束建立马尔可夫随机场(MRF,Markov random field)模型。通过求解该模型得到每个4×4像素块前景、背景标记检测出运动目标。实验结果表明,算法能从复杂场景的H.264码流中提取出运动目标,与传统算法相比,Precision和Recall指标平均分别提高了20%和3.5%。    

2.  基于背景差分法的运动目标分割  
   苟娟迎《工业控制计算机》,2013年第26卷第8期
   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。    

3.  基于改进光流算法的运动目标检测技术研究  
   梁硕  娄莉  张艳艳《智能计算机与应用》,2018年第1期
   常用的运动目标检测算法有背景减除法、帧间差分法和光流法,针对背景减除法的背景模型需要实时更新,帧间差分法检测到的目标不完整,本文提出将Lucas-Kanade光流法与最大类间方差的图像分割法相结合的算法,即首先对连续两帧图像进行Lucas-Kanade光流计算,再对其进行最大类间方差图像分割,将光流不连续的区域视为运动目标,光流连续的区域视为背景,最后进行形态学处理,完成运动目标的检测过程.通过Matlab实验仿真,验证了本文所提算法能提取更完整的运动目标,检测效果较好.    

4.  基于时空结合概率模型的运动估计和分割方法  
   令狐永芳  王士同《计算机工程与设计》,2007年第28卷第2期
   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.    

5.  采用区域生长和EMDs模型的运动目标检测方法  
   许芃  李东光  靳佰良《红外与激光工程》,2014年第10期
   以动态背景中红外运动目标为研究对象,针对二维初级运动检测器在时域上对运动敏感而引起目标运动矢量受背景变化干扰的问题,提出一种结合时域中生物视觉二维初级运动检测器和空域中区域生长方法的运动检测方法。该方法利用时域中二维初级运动检测器检测出运动矢量并将幅值最大的运动矢量作为区域生长的种子点,利用空域中运动目标具有较高红外辐射的图像特性,通过区域生长法,将热辐射特性强于背景的目标分割出来。仿真实验结果表明:该方法在去除背景干扰的同时提取出动态背景中的运动目标,与其他方法相比具有较高的信杂比。    

6.  背景分割和阴影检测算法研究  
   胡丹丹  高庆吉  支源《中国图象图形学报》,2008年第13卷第8期
   在基于视觉检测方式的泊位自动引导系统中,从序列图像中提取泊位飞机,检测泊位飞机的阴影区域,是泊位系统实现的关键。基于高斯混合模型的背景分割算法被广泛应用于静态背景分割中,但是该算法在处理高分辨率图像时,算法实时性显著下降;分割体积大而且运动缓慢的物体时,容易产生"拖尾"现象;不能检测出运动物体的阴影区域。为此提出了基于分层图像的改进高斯混合模型背景分割算法,有效地克服了算法实时性差和"拖尾"现象。在此基础上,提出了基于色彩特征和区域特征相结合的阴影检测算法,利用部分空间约束信息,检测出运动物体的阴影区域。实验结果表明了该算法的有效性和实用性。    

7.  基于SACON模型和五帧差分法的目标检测算法  
   朱世松  付万超《测控技术》,2017年第36卷第12期
   在充分研究现有运动目标检测算法的基础上,针对当前常用运动目标检测算法易受光照和噪声的影响,不易提取完整运动目标,提出了一种新的结合SACON背景模型与五帧差分法的运动目标检测算法.对传统的SACON算法进行改进得到运动区域,与五帧差分算法提取的运动目标相结合,采用动态阈值以适应光线突变,通过孔洞填充等后处理,综合得到运动前景图像.该算法有效地处理了孔洞和噪声问题,具有很好的实时性以及抗干扰能力,能够精确地检测出运动目标.    

8.  基于多种视频特征的镜头边界检测算法  被引次数:1
   杜奎然  肖国强  江健民《计算机工程》,2009年第35卷第11期
   针对固定场景的视频,提出一种基于时空分割的视频分割算法.该算法在时域中利用Tophat形态学滤波得到视频对象的精确位置,在空域中采用基于t混合模型和贪婪EM的聚类算法进行单帧图像分割.将时域定位和空域分割结果结合,可以准确地将视频序列中感兴趣的运动目标分割出来.实验表明,该算法能够得到完整的视频对象,有一定的理论意义和实用性.    

9.  基于时空域信息的视频对象分割算法  
   张阳  李家兵  符茂胜  罗斌《计算机工程》,2009年第35卷第11期
   针对固定场景的视频,提出一种基于时空分割的视频分割算法。该算法在时域中利用Tophat形态学滤波得到视频对象的精确位置,在空域中采用基于t混合模型和贪婪EM的聚类算法进行单帧图像分割。将时域定位和空域分割结果结合,可以准确地将视频序列中感兴趣的运动目标分割出来。实验表明,该算法能够得到完整的视频对象,有一定的理论意义和实用性。    

10.  结合背景差分和闭合轮廓拟合的运动人体检测  
   蒋加伏  田莎莎《计算机工程与应用》,2015年第14期
   假定图像序列的背景图像已经获得,提出一种结合时空背景差和闭合轮廓拟合的运动人体目标检测算法。算法以较小的阈值获得当前帧的背景差分图像,并搜寻最大连通域为初始前景目标;构造加权高斯滤波器,提取初始前景目标边缘;拟合前景目标轮廓,提出2 bit区域选择法提取不连续弧段的端点,根据类间最小距离准则构造闭合轮廓,结合帧间差分提取最终前景轮廓,标注运动目标位置。仿真实验表明,该算法能准确提取出运动目标,并标注目标位置,在背景环境发生变化时同样可以准确检测到运动目标,具有较好的鲁棒性。    

11.  时空联合的红外运动目标提取算法  
   杨威  李俊山  史德琴《光电工程》,2008年第35卷第5期
   针对红外图像对比度差、边缘模糊的特点,提出了一种基于时空联合的红外序列图像目标提取的新方法.算法充分利用了红外目标的亮度特征、背景信息以及运动信息.时域分割中通过建立帧差图像背景的高斯分布模型,采用变化检测模板来确定红外目标约束区域.然后,构造图像像素与区域之间的空间关系隶属度矩阵并约束到传统的模糊聚类算法中,空域分割则利用该模糊聚类来对目标约束区域进行有效分割.最后将时空分割结果融合便能实现最终的红外目标提取.实验结果表明,该方法简单有效,能准确提取动态场景中的红外目标.    

12.  基于时空马尔可夫随机场的运动目标分割技术  被引次数:15
   詹劲峰  戚飞虎  王海龙《通信学报》,2000年第21卷第11期
   复杂场景下的运动目标分割技术是近年来多媒体通信技术研究的热点之一。文中提出一种基于时空马尔可地随机场模型的运动目标分割技术。首先建立运动序列图像的时空马尔可夫随机场模型并且构造其相应的能量耗费函数,通过模型可以提出期望的空间属性。然后利用迭代条件模型(ICM)算法实现最大后验概率(MAP)估算问题。最后利用形态滤波的方法对分割结果进行修正。模拟实验结果证明,该方法能够有效地抑制图像的噪声,对于运动    

13.  基于水平集的多运动目标时空分割与跟踪  
   于慧敏  徐艺  刘继忠  高晓颖《中国图象图形学报》,2007年第12卷第7期
   针对背景运动时的运动目标分割问题,提出了一种对视频序列中的多个运动目标进行分割和跟踪的新方法。该方法着眼于运动的且较为复杂的背景,首先利用光流约束方程和背景运动模型建立一个基于时空域的能量函数,然后用该函数进行背景运动速度的估算和运动目标的分割和跟踪。而时空域中的运动目标的最佳分割,乃是通过使该能量函数最小化来驱动时空曲面演化实现。时空曲面的演化采用了水平集PDEs(Partial Differential Equations)方法。实验中,用实际的图像序列验证了该算法及其数值实现。实验表明,该方法能够同时进行背景运动速度的估算、运动目标的分割和跟踪。    

14.  基于超像素时空显著性的运动目标检测算法  
   云红全  徐力  孙骁  明德烈  鞠雯《红外技术》,2015年第5期
   针对复杂背景下运动目标检测存在的背景干扰、目标分割不完整等问题,利用目标静态灰度特征和运动特征,结合目标运动连续特性,提出了一种基于超像素时空显著图的运动目标检测算法。首先对图像基于简单线性迭代聚类算法(SLIC)进行超像素分割,以初始超像素为节点、以运动特征差异性为边建立图结构对超像素区域进行合并,得到最终超像素图像,可以有效解决传统超像素分割方法过分割而导致目标被分为多个部分的问题;然后分别利用目标静态特征对比度和运动特征对比度,得到静态显著性图和运动显著性图,并融合得到最终的时空显著性图;最后利用恒虚警处理技术,结合运动连续特性实现目标的检测,可以有效减少虚警目标。实验结果表明,该算法针对复杂背景具有良好的鲁棒性,并且可以比较完整的保留目标的信息。    

15.  基于多分辨率马尔可夫随机场运动目标分割  
   仲兴荣 黄贤武 王加俊 陈蕾《微机发展》,2004年第14卷第9期
   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。    

16.  复杂背景下运动目标的改进实时检测算法  
   张家叶子  吕游《测控技术》,2017年第36卷第6期
   针对复杂背景下运动目标检测难度大、算法实时性差的问题,提出了一种改进的运动目标实时检测算法.融合背景差分、帧间差分和边缘检测的信息,划定目标区域提取完整的目标轮廓.针对图像光照突变的问题,改进了运行期均值背景更新策略,在背景更新时同步更新前景分割阈值.使用复杂背景下毛细管粘度计液位检测视频验证算法证明,边缘融合方法和实时阈值更新的背景更新算法能够克服背景复杂、光照变化、运动干扰等带来的影响,提高运动目标检测精度,实现实时检测.    

17.  基于水平集分割的3DOGHM检测算法  被引次数:1
   刘青  汪同庆  李宏友《计算机工程》,2010年第36卷第7期
   针对帧间差分检测运动区域抗噪性差、某些部位无法完全恢复、所提取的运动目标容易产生空洞的问题,提出一种基于水平集分割的3DOGHM运动目标检测算法,在3DOGHM分离运动区域及背景的基础上,采用一种改进的水平集进化模型进行运动目标分割。实验结果表明,该算法抗干扰能力强,可以更准确、完整地检测出运动目标。    

18.  视频多运动目标提取的新方法  被引次数:2
   李冠军  丁喆《微电子学与计算机》,2010年第27卷第1期
   提出一种利用视频序列的时域和空域信息进行多运动目标检测的新方法.首先对相邻的图像帧进行差分,并利用3σ准则二值化差分图像,得到运动目标的时域信息,然后标记该二值图像的连通区域来消除噪声,结合边缘检测所得到的空域信息得到运动目标模型,最后连接模型的最外围轮廓点即得到目标的完整信息.该算法充分运用了运动目标的时域、空域两方面信息,能够准确的提取出运动目标.    

19.  基于图像块差分和Mean Shift算法的运动目标检测  
   刘玉兰  彭思龙《计算机应用》,2008年第28卷第8期
   运动目标检测是计算机视觉中的一个重要研究内容,现有算法中的一个重要问题是噪声对分割结果的影响。提出了一种时空域信息相结合的运动目标检测算法:首先利用图像块的重心位置在时间域上差分结果初始化目标轮廓,图像块差分的方法可以消除噪声的影响及减少目标内部的空洞;然后采用Mean Shift算法对初始轮廓进行迭代,使其逐步贴近真实的目标边缘。实验表明该算法能快速准确地分割出序列图像中的运动目标。    

20.  基于前景分割和特征空间自适应选择的视觉目标跟踪  
   高琳  唐鹏  盛鹏《控制与决策》,2010年第2期
   提出一种视觉跟踪任务中鲁棒的目标模型更新算法.首先利用结合空域信息的特征直方图对目标和背景进行建模;然后通过引入信息论中的交叉熵,定量地评价各个特征空间下目标和背景的差异性,选择差异性最大的特征空间更新目标模型,并用均值漂移算法定位目标.为解决模型更新中的偏移问题,采用条件随机场(CRF)模型,通过融合图像序列的时空上下文信息分割出目标前景,利用分割结果减小模型更新的误差.实验结果验证了该算法的有效性.    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号