深浅层表示融合的半监督视频目标分割

为了解决半监督视频目标分割任务中,分割精度与分割速度难以兼顾以及无法对视频中与前景相似的背景目标做出有效区分的问题,提出一种基于深浅层特征融合的半监督视频目标分割算法。首先,利用预先生成的粗糙掩膜对图像特征进行处理,以获取更鲁棒的特征;然后,通过注意力模型提取深层语义信息;最后,将深层语义信息与浅层位置信息进行融合,从而得到更加精确的分割结果。在多个流行的数据集上进行了实验,实验结果表明：在分割运行速度基本不变的情况下,所提算法在DAVIS 2016数据集上的雅卡尔（J）指标相较于学习快速鲁棒目标模型的视频目标分割（FRTM）算法提高了1.8个百分点,综合评价指标为J和F得分的均值J&F相较于FRTM提高了2.3个百分点;同时,在DAVIS 2017数据集上,所提算法的J指标比FRTM提升了1.2个百分点,综合评价指标J&F比FRTM提升了1.1个百分点。以上结果充分说明所提算法能够在保持较快分割速度的情况下实现更高的分割精度,并且能够有效区别相似的前景与背景目标,具有较强的鲁棒性。可见所提算法在平衡速度与精度以及有效区分前景背景方面的优越性能。     

时空结合的近景运动目标检测

运动目标检测是智能视频监控中图像序列分析的基础和研究热点,针对时域算法在检测近景大目标缓慢运动时,仅能检测出目标边缘、内部存在大量空洞等完整分割问题,提出了一种结合时空特征的近景运动目标检测算法。该算法在时域运动历史多模态均值背景模型的基础上,运用图像空域信息研究前/背景分割技术,通过能量最小化模型、网络构造及网络流理论,把目标检测转换成最大流/最小割问题。实验表明,该算法能在复杂环境中克服光照缓慢变化、背景扰动和摄像机轻微抖动,有效转换前/背景,准确完整地分割大运动目标。     

基于自适应SLIC的岩心图像背景分割

针对岩心CT图像中岩心区域与背景区域边界模糊,现有的分割方法无法有效分割出岩心区域,影响数字岩心模型的准确性问题,论文提出了基于改进线性迭代聚类(SLIC)的岩心背景分割算法优化分割效果.首先以图像复杂度为依据,得出图像预分割的超像素个数;其次对岩心和背景区域的相似超像素进行区域合并,减少后续冗余计算;最后根据岩心像素与背景像素区域像素值差异分割岩心背景.实验结果表明,论文算法有效分割出岩心区域,避免了阈值法分割对岩心区域的破坏,减少了用户干预,在解决岩心背景分割的完整性和有效性方面表现出了良好的性能.     

基于图割的矩形目标交互式分割方法

为得到更加精确的图像分割结果,可以在基于图割的分割框架中引入形状先验指导分割。针对矩形目标提出了一种目标/背景交互式分割方法。分割能量用马尔可夫随机场最大后验概率描述,通过限制有向图中的流向引入形状先验,可以保证图割优化后的分割结果为矩形形状。对仿真图像与真实图像的实验结果证明了该算法的有效性。     

基于二维熵阈值的图像分割及其快速算法

阈值分割是图像分割技术中的一种重要方法,在图像处理和模式识别中广为应用.本文提出了一种基于二维熵阈值的图像分割快速算法.该算法能够有效地区分图像中边界、背景和物体三种区域,并使得传统二维阈值方法的复杂度从O(W2S2)降至O(W2/3S2/3).     

前景时空域分析和背景理解相结合的2D/3D视频转换方法

视觉感知心理学表明,人在观看视频时注意力主要集中于前景目标,而对背景不敏感.基于该理论,提出一种基于前景和背景分割的2D/3D视频转换方法.首先使用背景模型提取视频中运动的前景目标,并使用视觉注意力模型定位观众感兴趣的前景目标,从而将视频分割为前景和背景;然后通过分析理解背景中景物构图关系,结合针孔相机模型估计背景的景...     

基于云模型的彩色图像分割方法

以云模型理论为基础分析彩色图像分割概念,研究已有的彩色图像分割方法,并与云模型相结合,提出基于云模型的彩色图像分割方法。该方法在HSV颜色空间对彩色图像进行非均匀量化,并寻找量化后图像的基本直方图,最后通过云模型的“3En规则”对图像进行前景/背景分割。通过与K均值算法、IS-RSC算法进行比较,实验结果表明了该方法对彩色图像分割的有效性。     

基于全卷积深度学习网络的视频图像背景分割方法研究

针对传统视频图像背景分割方法效率低、抗干扰能力弱、层次模糊等问题，基于全卷积深度学习网络算法研究了一种视频图像背景的分割方法。应用全卷积神经网络算法，完成视频图像背景的特征提取，构建结构化学习模块，再利用深度学习网络实现视频图像背景的多模态特征融合，基于损失函数建立视频图像背景分割模型。结果显示，对于随机的10组视频图像数据包，设计方法完成分割处理所用时间的平均值为15.03min，像素准确率均值为99.24%，分割区域间对比度均值为0.91，区域内一致性测度值均值为9.52，分割合理性均值为0，表明本次设计方法有效改善了视频图像背景的分割质量和分割效果，具有较高的精准性和完整性。     

基于云模型的彩色图像分割方法

以云模型理论为基础分析彩色图像分割概念,研究已有的彩色图像分割方法,并与云模型相结合,提出基于云模型的彩色图像分割方法。该方法在HSV颜色空间对彩色图像进行非均匀量化,并寻找量化后图像的基本直方图,最后通过云模型的"3En规则"对图像进行前景/背景分割。通过与K均值算法、IS-RSC算法进行比较,实验结果表明了该方法对彩色图像分割的有效性。     

基于先验概率模型的自适应背景图像分割算法

在利用背景消减的视频图像分割过程中,背景模型假定为高斯模型下判断像素点是否为背景点一般采用规则。当模型中方差参数的值较大时,与背景相近的前景被误分割为背景的误差就较大。针对这一问题,提出了一种基于先验概率模型与距离因子对背景进行分割的算法,该算法判定当前帧像素点为背景的概率由其先验概率及该像素点在上一帧分割结果中与前景点的距离决定。实验结果表明,与判定规则相比,该方法在背景变化范围较大的情况下,可以减少前景点被误分割为背景点的误差。     

基于特征提取偏好与背景色相关性的数据增强算法

深度神经网络具有强大的特征自学习能力,可以通过多层逐步提取的方式获取不同层次的粒度特征,但当图片目标本体与背景色具有强相关性时,特征提取会存在"惰性",所提取特征的抽象层次较低,判别性不足。针对此问题,通过实验对深度神经网络特征提取的内在规律进行研究,发现特征提取偏好与图片背景色之间具有相关性,消除该相关性可以帮助深度神经网络忽略背景的干扰,直接学习目标本体的特征,由此提出了数据增强算法,并在自主构建的数据集上进行实验。实验结果表明,所提算法可以降低背景色对目标本体特征提取的干扰,减少过拟合,提高分类效果。     

Deep infrared pedestrian classification based on automatic image matting

Infrared pedestrian classification plays an important role in advanced driver assistance systems. However, it encounters great difficulties when the pedestrian images are superimposed on a cluttered background. Many researchers design very deep neural networks to classify pedestrian from cluttered background. However, a very deep neural network associated with a high computational cost. The suppression of cluttered background can boost the performance of deep neural networks without increasing their depth, while it has received little attention in the past. This study presents an automatic image matting approach for infrared pedestrians that suppresses the cluttered background and provides consistent input to deep learning. The domain expertise in pedestrian classification is applied to automatically and softly extract foreground objects from images with cluttered backgrounds. This study generates trimaps, which must be generated manually in conventional approaches, according to the estimated positions of pedestrian’s head and upper body without the need for any user interaction. We implement image matting by adopting the global matting approach and taking the generated trimap as an input. The representation of pedestrian is discovered by a deep learning approach from the resulting alpha mattes in which cluttered background is suppressed, and foreground is enhanced. The experimental results show that the proposed approach improves the infrared pedestrian classification performance of the state-of-the-art deep learning approaches at a negligible computational cost.     

Online learning neural tracker

Object tracking is a fundamental computer vision problem and is required for many high-level tasks such as activity recognition, behavior analysis and surveillance. The main challenge in the object tracking problem is the dynamic change in object/background appearance, illumination, shape and occlusion. We present an online learning neural tracker (OLNT) to differentiate the object from the background and also adapt to changes in object/background dynamics. For target modeling and object tracking, a neural algorithm based on risk sensitive loss function is proposed to handle issues related to sample imbalance and dynamics of object. Region-based features like region-based color moments for larger mobile objects and color/texture features at pixel level for smaller mobile objects are used to discriminate the object from background. The proposed neural classifier automatically determines the number of neurons required to estimate the posterior probability map. In the online learning neural classifier, only one neuron parameter is updated per tracker to reduce the computational burden during online adaptation. The tracked object is represented using an estimated posterior probability map. The posterior probability map is used to adapt the bounding box to handle the scale change and improper initialization.For illustrating the advantage of the proposed OLNT under rapid illumination variation, change in appearance, scale/size change, and occlusion, we present results from benchmark video sequences. Finally, we also present the comparison with well-known trackers in the literature and highlight the advantage of the proposed tracker.     

Neural Networks Approach to User Modeling and Intelligent Interface: A Review and Reappraisal

This article provides background and an overview of the neural networks approach to user modeling and intelligent interface. Activities in user modeling and intelligent interface are discussed. Intelligent architectures of various neural network models are introduced to illustrate how neural networks solve problems and learn knowledge of problem solving. The introduction of neural networks helps in associating intelligent capabilities of neural networks, with the activities in user modeling and intelligent interface. The practical utility of neural networks in supporting user modeling and intelligent interfere is demonstrated by reviewing neural networks developed in this area. issues relating to the design of neural networks in various contexts of user modeling and intelligent interface are also addressed.     

基于遗传神经网络的背景杂波抑制技术研究

低信噪比条件下点状运动目标的检测性能在很大程度上依赖于对红外背景杂波的抑制情况。针对遗传算法的全局搜索能力以及神经网络的非线性预测能力,提出了一种基于遗传神经网络的背景杂波抑制技术。杂波抑制后,残留噪声的高斯性和独立性通过 Kendall秩相关法和计算Friedman统计量的方法进行了验证。     

改进神经网络模型对通信网可靠性的预测

首先利用一种改进后的粒子群算法对BP神经网络权值的选取进行优化,然后以LAN/WLAN集成网络为背景,用三种方法（BP神经网络、改进PSO算法优化后的BP神经网络、SVM）建立了LAN/WLAN集成网络可靠性的预测模型,最后通过实验比较,证明了改进后的神经网络模型预测通信网的可靠性、有效性和优越性。     

灰色-神经网络综合预测模型

该文提出一种灰色-神经网络综合预测模型。该模型由背景值构造、加权GM(1,1)模型和神经网络补偿器三部分组成。其建模机理为:首先对于原始数列进行背景值构造,然后构建加权GM(1,1)模型,同时利用神经网络补偿器获得误差补偿信号,则最终的预测值为加权GM模型的输出值加上补偿值。仿真结果验证了所提方法的有效性。     

采用形态神经网络背景自适应预测的图像弱小目标检测*

提出一种有效的背景杂波预测形态神经网络模型,用于检测图像数据中的弱小目标.目标被假设为只有很小的空域扩展度,而且淹没于强背景杂波干扰中.通过形态神经网络,杂波背景被准确地估计并从输入数据中去除,只剩下残留噪声和目标信号.采用扩展输入层数据的办法修正了传统的形态开、闭运算三层前馈BP网络模型.为了跟踪包含不同子结构的复杂背景,原始图像被划分为多个子块,并在相应的子块中选择训练样本对结构元进行优化.对真实图像数据的计算机仿真表明该算法在性能上优于其他传统算法.     

小波神经网络自学习算法用于红外图像分割

在红外动目标序列图像跟踪过程中,由于目标本身的红外特征具有较大的不可预测性,使ATR系统在目标探测阶段产生大量的虚警讯息。因此,必须设法在复杂背景抑制段将虚警探测讯息滤除掉。提出了一种新颖的基于小波神经网络构架的FLIR图像分割技术,旨在将小波变换的时-频局域特性和神经网络的自学习能力相结合,从而使FLIR图像的分割算法具有较强的逼近和容错能力。该算法在FLIR-ATR系统中得到应用,对于FLIR目标图像轮廓的提取和抑制杂散背景方面获得了良好的效果。     

基于Codebook的视频火焰识别算法

为了提高视频火焰识别的准确度,提出了一种基于Codebook的火焰识别方法,创新地在YUV空间使用Codebook背景模型检测火焰区域,定期更新背景,综合火焰的动静态多特征进行火焰识别.首先,提取视频中的每一帧图像,利用原始图像中R、G、B三个分量间存在的线性关系作为颜色模型,初步提取火焰颜色区域; 然后,为了利用YUV颜色空间的有利特性,将颜色空间从RGB转化到YUV, 使用Codebook背景模型进行背景学习、背景差分,提取出具有火焰颜色的动态前景; 最后,利用火焰面积变化率、区域重叠率、质心位移这3个特征来训练反向传播(BP)神经网络,通过训练好的神经网络判断视频图像是否存在火焰.选取相机位置以及方向固定的视频进行实验,所提算法在复杂的视频场景中的识别准确度达到96%以上.实验结果表明,所提算法有效提高识别的准确度,同时降低多种干扰物场景的误判率.