一种基于物理反射模型颜色不变性的阈值分割算法

提出了一种适用于视频监控场景的基于物理反射模型的阈值分割算法,该算法主要解决背景颜色识别受光强非均匀分布、高光效应影响的问题.算法步骤主要包括:首先基于Phong反射模型推导出漫反射分量颜色不变性并根据这一判定条件计算得到漫反射分量系数;其次,利用微分法则实现对模型镜面反射分量系数和镜面反射强度指数的估计;最后,根据建立的物理反射模型实现背景阈值分割.大量实验分析结果表明,文中提出的算法利用视频监控的物理反射模型和大量统计信息,能够更好地解决受光强非均匀分布和高光效应影响的颜色识别问题.     

基于同态滤波抑制光照变化的视频分割算法

针对光照变化较大时基于颜色差分直方图的视频分割算法不能有效更新背景,导致后续输入图像前景目标分割失效的问题,提出一种基于同态滤波抑制光照变化的视频分割算法。首先利用同态滤波算法对输入和背景图像(RGB)在HSV空间中亮度分量进行同参矫正,然后将矫正后图像转换到RGB空间,最后利用颜色差分直方图算法进行视频分割。文中算法有效解决颜色差分直方图算法无法将受光照变化影响较大区域更新到背景中的问题,实现背景的实时有效更新,保证稳健地从后续输入图像分割前景目标。3组视频仿真结果表明该算法与高斯混合和Codebook算法相比具有运算速度快,对光照变化鲁棒的优点。     

基层层次光流的半自动时空视频分割技术

在新一代MPEG-4视频编码标准中，为了支持面向对象编码和实现基于内容的应用，视频的半自动分割成为关键技术之一，为此提出了一种基于层次光流的半自动时空视频分割算法。该算法由空域分割和时域分割组成。在空域分割中，提出的基于点的图形用户界面（PBGUI），在用户的协助下，能够精确地定义需要分割的视频对象（VO）。时域分割根据空域分割的结果采用层次光流算法对视频对象进行边界和整体跟踪。实验结果表明，利用该算法，能够精确地分割出视频对象。     

面向多种场景的视频对象自动分割算法

针对当前应用于视频对象分割的图割方法容易在复杂环境、镜头移动、光照不稳定等场景下鲁棒性不佳的问题,提出了结合光流和图割的视频对象分割算法.主要思路是通过分析前景对象的运动信息,得到单帧图像上前景区域的先验知识,从而改善分割结果.论文首先通过光流场采集视频中动作信息,并提取出前景对象先验区域,然后结合前景和背景先验区域建立图割模型,实现前景对象分割.最后为提高算法在不同场景下的鲁棒性,本文改进了传统的测地显著性模型,并基于视频本征的时域平滑性,提出了基于混合高斯模型的动态位置模型优化机制.在两个标准数据集上的实验结果表明,所提算法与当前其他视频对象分割算法相比,降低了分割结果的错误率,有效提高了在多种场景下的鲁棒性.     

基于颜色特征的杂草图像分割技术研究

为了解决目前杂草识别中受光照影响大、环境适应性差等问题,提出了基于颜色特征的分割算法。此算法在统计分析杂草和土壤背景各颜色因子的基础上,得到适于杂草图像分割的颜色分量,实现了复杂场景、光照条件下杂草区和背景区的分割。实验结果表明:R-G,2G-R-B,Hmean,Smean,Hmean Smean颜色特征对于杂草区和背景区的分割能够取得很好的效果,可广泛应用于田间杂草识别、树种识别、人脸识别等受光照变化影响较大的领域。     

利用图割实现背景自动切换

视频序列图像的背景切换是从视频图像帧中自动准确的提取出对象图像,然后赋予对象图像新的背景.针对此问题,本文提出基于图割理论的图像对象提取算法.首先提出采用能量最小化模型分离图像对象背景,并利用最小割/最大流算法实现能量最小化模型.其次,为了提高算法分割效果,算法采用HSV颜色模型,削弱V分离的作用从而减弱亮度变化对于分割的影响;最后对分割后的对象二值图像进行修正,提出用形态学操作进行边缘修补,用目标同化进行空洞填补.实验证明,算法提取出的对象图像完整、图像边缘清晰,较好的实现了视频序列图像的背景切换.     

基于层次光流的半自动时空视频分割技术

在新一代 MPEG- 4视频编码标准中 ,为了支持面向对象编码和实现基于内容的应用 ,视频的半自动分割成为关键技术之一 ,为此提出了一种基于层次光流的半自动时空视频分割算法 .该算法由空域分割和时域分割组成 .在空域分割中 ,提出的基于点的图形用户界面 (PBGU I) ,在用户的协助下 ,能够精确地定义需要分割的视频对象 (VO) .时域分割根据空域分割的结果采用层次光流算法对视频对象进行边界和整体跟踪 .实验结果表明 ,利用该算法 ,能够较精确地分割出视频对象 .     

基于静止背景下的视频分割研究

基于背景重构的视频分割算法,利用统计累积的方法得到包含遮挡域的完整背景信息,利用当前帧和所得到的背景图像相减得到视频对象,成功地克服了遮挡问题,在静止的背景条件下,对于单一运动目标能够得到比较准确的分割结果。     

基于Snake模型的视频对象分割和跟踪算法

视频对象的分割是基于内容的视频处理中重要的组成部分。提出并实现了一种半自动视频对象分割和跟踪算法。算法主要基于Williams活动轮廓模型，通过求取轮廓点的局部能量最小值对轮廓线进行更新。轮廓扩张技术用来追踪变形的轮廓边缘。通过对轮廓中心点运动的统计，预测对象的运动方向和大小。实验仿真结果表明，这种改进的Snake算法能够收缩到图像的凹陷部分，而且能较好地跟踪视频对象的运动。     

基于块仿射分类和HD跟踪的视频分割方法*

提出一种自动视频分割方法,分为运动对象检测、对象跟踪、模型更新、分水岭轮廓提取四个阶段。与变化检测方法不同,该基于块的运动分类器能够检测背景具有一致运动情况下的运动对象。自动得到运动对象的二值模型并在随后帧中使用Hausdorff距离进行跟踪。将视频对象运动分为慢变和快变两部分,分别结合背景边缘模型进行匹配更新。最后提出彩色多尺度梯度修正的分水岭算法提取对象的轮廓。实验证明了算法的有效性。     

一种新的基于统计的背景减除方法

提出了一种有效的彩色视频背景减除的新方法。首先对彩色视频采样得到图像序列,统计序列中各像素的RGB值并归类,用出现概率最高类的RGB均值来构建背景模型;然后根据颜色差异和亮度范围综合条件,结合形态学处理进行背景减除。实验结果表明,此法可以很好地克服灰度视频背景减除中很难识别与背景灰度相近目标的缺陷,同时比传统的彩色视频背景建模快速,且样本中允许运动目标存在。对背景减除的准确性和实时性有一定程度地改进。该文还针对光照和背景变化提出了一些有效的背景更新策略。     

河道监控视频的运动对象分割算法

针对内河航道监控视频的特点,提出一种基于背景差法的对象分割算法。首先在HSI颜色空间里利用像素的色调和亮度对其进行归类;然后利用基于块处理的方法确定背景像素,并在背景缓慢变化和急速变化时,采用定时和实时的背景重构方法进行背景更新;最后利用背景差提取运动对象。     

基于局部更新的分层码本目标检测算法

为了解决复杂环境下如树木摇摆、水波晃动等波动式干扰及光照变化对运动目标检测产生影响的问题,给出了一种基于码本模型的运动目标检测算法。考虑到实际场景中背景的变化主要体现在亮度方面,首先对视频序列图像进行颜色空间转化,由RGB空间转化到YUV空间,然后利用Box模型优化了码本模型参数和训练策略。目标检测时,采用局部背景更新方法,即利用帧差法确定变化区域,结合分层码本思想,实时更新背景模型,以达到精确提取运动目标的目的。对比实验表明在背景中存在扰动或者光照发生变化等情况下,该算法都能够对运动目标进行有效检测,具有一定实用性和鲁棒性。     

自动分割视频序列中运动物体的新算法：多特征联合方法

视频编码标准MPEG-4增加了适于多种应用的基于视频内容的功能,为了支持这一功能和提高编码效率,MPEG-4将视频序列中的每一帧分解成视频对象面(VOP);另外,由于基于内容的视频检索和视频监控系统均期望用分割出的关键视频对象紧致地表示一个序列,同时由于视频分割技术在模式识别、计算机视觉等领域也得到了广泛的应用,因此,分割视频运动物体并跟踪运动物体的变化变得至关重要.为了对视频中运动物体进行有效的分割,在帧差图象的基础上,采用Canny边缘检测和随机信号的高阶矩检测相结合的方法,来自动分割视频序列的前景区域和背景区域,并在前景区域中应用区域生长法进行颜色分割,以精确提取运动物体的边缘;还利用边缘和颜色特征来对分割出的运动物体建立模板,用于解决非刚体运动中局部暂时停止运动的情况.实验结果表明,此方法可以有效地分割运动物体,并能跟踪运动物体的变化.     

使用修改的豪氏道夫距离自动提取运动对象

新的视音频编码标准MPEG－4增加了支持基于内容的功能,它把视频序列分割成语义意义上的视频对象（VO）视频对象在某一瞬时的：“快照”称为视频对象平面（VOP）,且一系列VOP表示一个运动对象,VOP分割相当困难,这主要是因为物理对象通常不以亮度,彩色或光流等低级特征来表达,所以经典的分割方法无法获得有意义的分割结果,为了对这种视频运动图象进行有效的提取,提出了一种基于修改的豪氏道夫对象踊跃器的自动VOP分割方法,首先提取出初始模型,然后用跟踪器在序列中继帧中跟踪此对象,再对模型逐帧修改,以适应对象在后继帧中形状的旋转和变化,最后根据一系列二值模型来提取出视频对象,此外,为了提高分割效果帮减少复杂性,还使用了静 背景滤除技术来滤除静态背景,实验结果表明,该算法是有效的。     

一种新的背景减运动目标检测方法

结合图像亮度归一化和二维交叉熵的思想提出了一种针对光照变化鲁棒性强的运动目标检测算法。该算法对每幅视频帧图像进行亮度归一化处理,采用一种改进的均值滤波法初始化背景并自动进行背景更新,这种改进的方法在初始化期间有目标出现时仍能得到满意的背景图像,利用二维交叉熵的思想自动选取阈值对背景减得到的差分图像进行分割以检测出视频序列中的运动目标区域。实验结果表明：该运动目标检测算法实时有效,且对光照变化具有很强的鲁棒性。     

Segmentation According to Natural Examples: Learning Static Segmentation from Motion Segmentation

The Segmentation According to Natural Examples (SANE) algorithm learns to segment objects in static images from video training data. SANE uses background subtraction to find the segmentation of moving objects in videos. This provides object segmentation information for each video frame. The collection of frames and segmentations forms a training set that SANE uses to learn the image and shape properties of the observed motion boundaries. When presented with new static images, the trained model infers segmentations similar to the observed motion segmentations. SANE is a general method for learning environment-specific segmentation models. Because it can automatically generate training data from video, it can adapt to a new environment and new objects with relative ease, an advantage over untrained segmentation methods or those that require human-labeled training data. By using the local shape information in the training data, it outperforms a trained local boundary detector. Its performance is competitive with a trained top-down segmentation algorithm that uses global shape. The shape information it learns from one class of objects can assist the segmentation of other classes.