彩色图像序列中运动人体轮廓提取

在视频序列的人体运动分析中,实时提取出运动人体轮廓,是很多研究起始的关键步骤.而彩色图像由于具有比灰度图像更多的视觉信息,受到了越来越多的重视.采用了一种新的色彩背景模型;运用改进的背景差分方法在复杂背景下获得运动人体的轮廓.实验结果表明上述算法对噪声抑制和人体图像断裂处填充都是有效的,在目标物是运动物体,且背景绝大多数均为静止时,该算法适用,能够实时提取出运动人体的轮廓.     

指势识别的实时指尖提取

指势行为识别作为一种理想的人机交互模式,而指势手指有效分割与指尖提取是关键。采用基于背景差分方法提取前景运动目标并消除背景影响,运用肤色分割方法,提取运动目标脸部、手部区域。在确定指势手与人脸位置关系的基础上,基于指势行为中指尖位于指势手的边沿轮廓,从指势手的外界矩形框与轮廓的交接点中定位指尖点。经实验证明该算法快速有效、提取精度高,且有一定的鲁棒性。     

基于单水平集的多目标轮廓提取

多目标轮廓提取是图像分割的重要研究内容.文章在Chan和Vese的无边界主动轮廓模型(简称CV模型)的基础上,提出基于单水平集的多目标轮廓提取算法.CV模型只能实现单目标的轮廓提取,主要原因是不能使水平集函数驱动的轮廓线在某些目标区域正确分裂,没有有效利用轮廓线的拓扑分裂信息.通过修正CV模型,引入标记模板,用于追踪零水平集的分裂情况,对不同的准目标区域区别处理;引入图像区域均值模板,用于估计可能淹没在背景区域中的目标区域,促使水平集函数在上述目标区域充分变形,使对应零水平集充分分裂,实现多目标轮廓提取.并且文章提供了一系列不同条件下的实验结果,并与其它类似的研究成果进行比较,结果表明,该文的工作是有意义的.     

一种精确的运动目标外轮廓提取方法

视频监控系统中的运动目标外轮廓是对运动目标语义分析的重要信息源。针对经过简单的形态学处理运动目标区域而提取的外轮廓方法中的一些缺陷,提出一种更精确的方法。首先通过前景检测得到粗略确定的运动目标区域,然后通过分水岭方法进行外轮廓区域粗略定位,最后通过阴影去除及目标重构进行外轮廓区域精确定位,从而提取精确的外轮廓。利用外轮廓的准确率、查全率、综合性能指标,实验结果表明,能够得到精确的外轮廓。     

逐次分块差分直方图对运动目标的提取

为从视频图像序列中准确且完整地提取运动目标,提出一种基于运动差分直方图的目标提取算法。通过对视频图像序列中两帧相邻图像以及它们的差分图像进行逐次分块,分析对应分块的差分直方图,利用背景区域块与目标区域块对应的差分直方图分布不同,逐步去除背景提取目标,有效避免提取的目标内部出现空洞,以块为单位的处理提高算法运行速度。通过数值实验验证了该算法具有较好检测性。     

彩色序列图像中移动目标定位与区域提取

提出一种基于彩色序列图像提取移动目标区域的新方法。首先采用时态差分法进行运动目标定位,对彩色序列图像进行差分;然后通过选择阈值将彩色差分图像转化为二值图像;为了克服背景扰动和摄像头抖动,采用了对称差分算法,使得运动目标的定位更为准确。最后在对称差分的基础上,通过投影提取移动目标区域,为了消除扰动造成的影响,采用了杂块去除和区域合并方法。实验结果表明所提方法能有效快速地提取出移动目标。     

监控场景中的运动物体提取技术研究

针对监控场景中因存在遮挡而无法有效地提取出完整的运动序列这一问题,提出了一种将ViBe前景检测算法和改进后的粒子滤波跟踪算法相结合的跟踪提取方法。首先用ViBe来提取出场景中所有运动物体的前景轮廓;其次用粒子滤波来检测和跟踪目标物体;最后通过与目标物体的关联轮廓求交运算以及跟踪区域的反馈调节完成对目标物体运动帧序列的提取。当运动物体发生遮挡时,采用将跟踪区域内所检测到的前景轮廓重新加入到目标物体的关联轮廓中以保证后续可以继续用关联轮廓交集来提取。实验结果表明,该方法能够很好地保证提取的质量,并有效地解决了局部遮挡与全局遮挡情况下运动物体完整运动序列的提取。     

基于改进水平集和区域生长的轮廓提取方法

以人体大脑海马切片序列为研究对象,提出了基于目标灰度差异的水平集方法,该方法克服了水平集方法用于提取海马轮廓时边界易停留在背景梯度局部极值处的问题。同时为了避免传统区域生长人工定义阈值的盲目性,将水平集分割后的图像的标准差作为阈值进行自适应区域生长,获得了海马的轮廓。通过理论分析与实验验证,提出的方法能够有效地滤除非目标区域对海马目标的干扰,获得了较好的分割效果。     

基于全局运动对比度的轮廓编组元提取算法

在轮廓编组计算模型中,编组元的提取对于轮廓编组结果具有重要的影响。针对复杂场景中目标轮廓易与非目标边缘混淆的问题,提出了一种基于全局运动对比度的编组元提取算法。提出了基于边缘片段的运动相似度度量方法,并通过相似度定义了场景中的全局运动对比度,以此对非目标边缘片段进行抑制,从而提取出更为有效的目标轮廓边缘片段构成编组元集合。在Moseg_dataset数据集上的实验结果证明,提出的全局运动对比度对于非目标边缘片段具有良好的鉴别能力,相比较目前轮廓编组计算模型中基于边缘检测和轮廓检测的编组元提取算法,该算法显著降低了编组元集合的规模,提高了编组元集合的有效性。在相同的轮廓编组算法中,该算法提取的编组元集合能取得更优的编组结果。     

复杂背景下基于图像融合的运动目标轮廓提取算法

运动目标轮廓的有效提取对于目标识别、跟踪和行为的理解等后期的处理是非常重要的。受背景复杂性的影响，当背景灰度和运动目标的灰度相近时，提取的运动目标易产生空洞，某些部位无法完全恢复。根据帧差法的基本原理，提出了一种针对复杂背景的运动目标检测、轮廓提取方法。首先，对图像进行滤波处理，采用最大方差比阈值法消除了剩余部分噪声和背景，然后在三帧时间差分法基础上，利用序列中多帧图像融合运动信息，并确定参考区域，通过对原图像进行回扫描，最终提取出完整的运动目标轮廓。实验结果验证了算法的稳健性和有效性。     

基于Level Set方法的人脸轮廓提取与跟踪

提出一种基于level set方法的图像序列中人脸轮廓提取与跟踪算法，首先利用图像帧间差分快速检测出运动区域，并根据人脸图像的投影映射规则确定人脸所在的外接矩形，然后以此矩形作为初始曲线，采用一种改进的1evelset模型精确提取出入脸轮廓。由于图像序列中人脸是一直运动的，该文引入一阶线性Kalman滤波模型对人脸运动进行估计，从而较好地跟踪了运动中的人脸轮廓，实验结果表明该方法是有效的。     

短程线主动轮廓跟踪算法的研究--在复杂背景和非刚性运动目标跟踪中的应用

在复杂背景下对多个非刚性目标进行跟踪是计算机视觉中的一个难点。在短程线主动轮廓模型的基础上，利用力场正则化方法，并加入运动边缘信息，提出了一种在复杂背景下多个非刚性目标进行跟踪的方法。该方法由运动检测和跟踪两部分组成：运动检测利用运动边缘信息对运动目标的运动做出检测，让轮廓曲线运动到目标轮廓附近；跟踪利用当前帧中的静态边缘信息对运动检测的结果加以修正，而跟踪这一步引入的偏差将在下一帧的运动检测中得到修正。实验表明该方法能够有效地在复杂背景中对多个非刚性运动目标进行跟踪。     

一种动态场景多运动目标的综合检测方法

提出一种动态场景下多运动目标检测的方法。该方法融合基于帧间图像差值的运动分割技术以及区域生长法来获得各运动目标的初始轮廓。再利用主动轮廓线模型进行优化，从而得到各运动目标的最优轮廓，该方法具有以下明显特点：允许背景任意复杂；在无补偿情况下仍能得到良好结果；目标大小不影响算法的鲁棒性．实验证明了该方法的有效性、实用性和鲁棒性。     

一种动态场景下基于时空信息的视频对象提取算法

在实际应用中,许多视频序列具有运动背景,使得从其中提取视频对象变得复杂,为此提出了一种基于运动估计和图形金字塔的动态场景下的视频对象提取算法。该算法首先引入了相位相关法求取运动向量,因避免了视频序列中光照变化的影响,故可提高效率和稳健性;接着再根据参数模型进行全局运动估计来得到最终运动模板;然后利用图形金字塔算法对当前模板内图像区域进行空间分割,最终提取出语义视频对象。与现有算法相比,对于从具有动态场景的视频流中提取运动对象的情况,由于使用该算法能有效地避开精准背景补偿,因而不仅节省了计算量,而且提取出来的语义对象精度较高。实验表明,无论是对动态场景中刚性还是非刚性运动物体的分割,该算法都具有较好的效果。     

采用测地线活动轮廓模型检测与跟踪运动目标

水平集几何活动轮廓模型能较好地适应曲线的拓扑变化.为了跟踪和获取刚体和非刚体运动目标的轮廓信息,提出了一种基于改进测地线活动轮廓(GAC)模型和Kalman滤波相结合的算法以检测和跟踪运动目标.该算法首先采用高斯混合模型和背景差分获取目标的运动区域,在运动区域内采用引入距离规则化项的GAC模型进行曲线演化,使改进GAC模型在运动目标的真实轮廓处收敛;然后通过结合Kalman滤波预测目标下一帧的位置,实现对目标轮廓跟踪.实验结果表明,该方法适用于刚体和非刚体目标,在部分遮挡的情况下也能保持良好的检测和跟踪效果.     

基于水平集分割的3DOGHM检测算法

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。     

Contour extraction of moving objects in complex outdoor scenes

This paper presents a new approach to the extraction of the contour of a moving object. The method is based on the fusion of a motion segmentation technique using image subtraction and a color segmentation technique based on the split-and-merge paradigm and edge information obtained from using the Canny edge detector. The advantages of this method are the following: it can detect large moving objects, the background can be arbitrarily complicated and contain many nonmoving objects, and it requires only three image frames that need not be consecutive provided that the moving object is entirely contained in the three frames. It is assumed that there is only one moving object in the image and the objects are not blurred by their motion so that the edges in the image are sharp. The method was applied to road images containing a moving vehicle, and the results show that the contour was correctly extracted in 18 of the 20 cases. We show that this contour extraction method gives good results for other types of moving objects as well. We also describe how the extracted contour can be used to classify a given vehicle into five generic categories. In this study, 19 out of the 20 vehicles were correctly classified. These results demonstrate that integration of multiple cues obtained from relatively simple image analysis techniques leads to a robust extraction of the object of interest in complex outdoor scenes.Research supported by a grant from the U.S. Department of Transportation through the Great Lakes Center for Truck Transportation Research and by a grant from the National Science Foundation (CDA-8806599).     

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。     

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。     

基于非负矩阵分解与相似性分析的运动目标检测

提出一种结合修正的非负矩阵分解与向量相似性分析进行运动目标检测的方法。该方法首先使用修正后的非负矩阵分解算法从连续图像序列中恢复出背景图像，然后分析待检测帧像素点与恢复出来的背景模型之间的相似性，根据相似性的高低区分背景与前景。为了减少计算量，降低动态背景对检测结果的干扰，该方法在进行相似性分析之前，通过核密度估计的方法对运动区域进行估计。实验结果表明，该方法能够较为精确地恢复出背景图像，并有效地检测出运动目标。