基于假高栓难和区域合并的视频对象分割

提出了基于假设检验和区域合并的视频对象分割算法.初始分割采用分水岭算法,接着根据颜色相似性进行区域合并,然后利用光流场估计和全局运动估计获得全局运动的残余误差,最后以各个区域的残余误差数据进行假设检验和小区域验证来确定运动区域,通过组合所有的运动区域即可分割出具有准确边缘的完整视频对象.对MPEG-4测试序列的实验结果表明了本算法具有良好的分割性能.     

视频运动对象的自动分割

视频运动对象的分割技术在运动视觉检测和新的MPEG-4视频编码标准中十分重要，提出了一种运动对象分割算法，该算法采用序列图像帧间差的高阶统计量(Higher Order Statistics，HOS)假设检验，确定运动对象的位置，自动分离运动区域与背景；根据三帧序列图像中前后帧差图像灰度边缘重合的部分为中间帧运动对象的边缘来有效地解决运动对象前后帧的遮挡问题；采用形态滤波的方法填充分割出的运动对象二值模板中的空洞，消除残余噪声及平滑边缘，分析和实验证明，该算法需要调整的参数少，抗干扰能力强，可以高效率地进行运动对象的自动分割，此外，该算法具有潜在的并行机制，易于实现实时运动图像处理。     

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。     

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。     

基于运动相似性的运动对象分割算法

由于全局运动参数在一些情况下不能很准确地被估计，因此基于全局运动补偿算法存在一定的局限性。该文提出了一种基于运动相似性的视频运动对象的分割算法。该算法对运动矢量场进行累加和滤波处理，根据运动相似性对运动对象进行初次分割，并利用空间相关性进行二次分割，细化运动对象边缘。实验结果表明该算法避免了全局运动补偿算法的局限性，并使分割的精确性有明显提高。     

立体视频对象分割及其三维重建算法研究*

为更加有效分析立体视频对象,本文提出了一种基于离散冗余小波变换的立体视频对象分割算法,首先采用离散冗余小波变换提取特征点结合DT网格技术的视差估计方法,获得了可靠的视差场,再利用视差信息对立体视频中静止对象进行分割。对于立体视频序列中的运动对象,采用离散冗余小波提取运动区域的方法进行分割。实验结果表明,本算法对有重叠的多视频对象具有较好的分割效果,可同时分割静止物体和运动物体,具有较好的精确性和鲁棒性。对于分割出的立体视频对象,结合深度信息对其进行三维重建,得到较好的三维效果。     

基于Mumford-Shah模型的时空视频运动对象分割

针对目前视频对象分割中存在的结果轮廓不精确和不能有效从复杂背景分离出对象的问题,在基于时空分割的基础上,提出了一种采用Mumford-Shah模型的时空联合分割技术。该算法采用序列图像帧间差的高阶统计量(HOS)假设检验,自动分离运动区域和背景区域;采用MS泛函模型精确地将当前视频分为不同的灰度连续区域;最后,通过对空域分割后的图像和二值运动掩模图像进行投影运算得到运动对象。实验结果表明,该算法不需要进行中值滤波的预处理,具有并行机制,能提取运动对象较精确的边缘轮廓,是一种有效的图像分割方法。     

一种面向运动的视频对象分割算法

在MPEG-4编码系统框架中,为支持基于内容的编码性能。视频自动、半自动分割成为关键技术之一。文中提出了一种利用以一组帧为参考帧将视频序列自动分割成静止背景和运动对象的算法。这种方法考虑了全局的运动,并且提出一种新的运动区域检测算法。算法主要思想是先对帧进行运动区域的简化,通过简化后的帧与原帧的帧差获取运动区域。将以一组帧为参考所检测出的运动区域合成一个二进制掩模,对这一掩模进行运动分析和形态滤波,从而获得最终的运动对象,实验结果表明,利用本文所提出的方法能够较精确地分割出运动的视频对象。     

灰度投影结合Fisher准则的对象分割

视频对象分割是基于内容的视频编码和视频检索中的的对象跟踪方法,提出了一种可以从复杂场景中分割出MPEG-4的视频对象新方法.首先采用灰度投影匹配进行全局运动估计和补偿,用以消除背景变化的影响;然后由二次差分抽取中间帧解决遮挡问题,通过Fisher评价函数结合数学形态学填充得到运动对象分割掩膜,同时消除残余噪声以及平滑边缘.实验结果表明,该方法在一定范围内较好地解决了遮挡问题,并能够高效快速地得到比较精确的视频对象.     

一种时空联合的视频运动目标提取与跟踪新算法

提出了一种时空联合的视频运动目标提取与跟踪新算法。在空域分割中,针对分水岭方法过分割现象明显的缺点,对分水岭分割方法进行了改进;在时域分割中,首先对全局运动进行了补偿,随后为消除仅用两帧帧差进行对象分割所带来的误差,采用多帧帧差求和的方法,并自适应选取累积帧差的二值化阈值;时空分割结果进行投影融合后得到视频对象,提出用一种基于区域子块匹配的方法跟踪视频对象。实验结果表明,该算法简洁有效,能较好地把对象从运动背景中提取出来,并实现跟踪。     

视频图像序列运动参数估计与动态拼接

本文采用多重分层叠代算法来估计全局运动参数，并提出应用于动态拼接的运动分割新方法，实现既有摄像机运动又有物体运动的视频图像序列自动拼接。我们的方法基本步骤如下：首先进行全局运动参数的初始估计，并且在分层叠代过程中进行区域分类，得到初始运动模板。接着空间分割原始图像，先根据图像的空间属性由底向上分层合并图像空间区域，再利用视频图像时间属性进一步向上合并，得到图像空间分割结果。然后结合初始运动模板和图像空间分割结果，采用区域分类新方法重新对图像空间分割结果的每个区域进行分类。然后根据分类结果逐步精确求解全局运动参数。最后进行图像合成，得到全景拼接图像。我们的方法利用了多重分层叠代的优点，并且充分考虑到视频图像空间和时间上的属性，实现了运动物体和覆盖背景的精确分割，避免了遮挡问题对全局运动参数估计精度的影响。而且在图像合成时我们解决了拼接图可能产生模糊或某些区域不连续等问题。实验结果表明我们的方法实现了动态视频图像序列高质量的全景拼接。     

基于最短描述长度的序列图像运动分割

提出了一种分两个阶段的运动估计和分割方法。首先采用小块对图像做传统全局搜索的块匹配运动估计,得到每块相应搜索范围内的误差图,根据误差图判决相邻块运动的一致性将一致性好的块合并成一个区域并同时得到区域的运动矢量。进一步的区域合并在最短描述长度准则指导下进行,每对区域合并的依据是合并后新区域的描述长度小于合并前两区域描述长度之间,如此迭代合并直至所有相邻区域均不满足条件。     

基于H．264压缩域的实时运动对象分割算法

在压缩域内直接分割运动对象对于有实时要求的应用而言是十分必要的，H．264以其优越的压缩效率已经在许多应用中逐渐取代了MPEG-2／4，但有关在H．264压缩域内进行运动对象分割的研究还很少。为此提出了一种从H.264压缩域实时分割运动对象的算法，该算法首先对从H．264视频中提取出的原始运动矢量场进行时域和空域的归一化，接着通过对连续多帧的运动矢量场进行累积来增强显著的运动信息；然后对累积运动矢量场进行全局运动补偿，同时利用快速的统计区域生长算法按照运动相似性将其分割成多个区域；最后利用运动矢量场的方向角直方图来判断出属于运动对象的分割区域，以组成运动对象。通过对多个MPEG-4测试序列的实验结果表明，该方法不仅能够从H．264压缩域中实时地分割出运动对象，且具有良好的分割质量。     

从h.264压缩码流提取运动对象的一种方法

提出一种基于h.264压缩域视频流中运动对象的分割方法。对提取的运动矢量场进行噪声处理,在空间检测和校正、中值滤波等处理后,得到可靠的运动矢量场。为进一步增强可靠的运动向量,利用后向投影迭代技术,采用均值聚类算法获得视频对象分割。仿真实验证明,该方法可以得到良好的分割质量,且码流无须解码,实时性良好。     

基于超复视域注意模型的视频分割算法

提出一种基于超复视域注意模型的视频分割算法,无需事先针对特定类型的目标进行训练。通过构造超复视域注意帧图像,对超复视域注意帧图像计算相位相关实现运动建模,利用条件随机场对视域注意模型、颜色模型以及邻域关系模型进行约束求解,获得分割结果。采用不同的视频数据对该算法的有效性进行测试,并与其他分割算法的结果进行比较。实验结果表明,该算法的分割错误率较低。     

求取真实运动矢量的一种算法

针对物体基视频编码与分割应用,提出了求取特征区域真实运动矢量的一种算法。首先,利用运动检测器将图像序列的每一帧分割成静止区域与运动区域。然后只对运动区域进行运动估计。为了克服传统块匹配法的固有缺点,本文算法采用变尺寸块匹配法,大的均匀区用大方块,运动物体的边缘区用小方块;在进行块匹配搜索期间,在易误匹配的区域,为了不遗漏真实的运动矢量,先按照ＭＡＥ准则预选出多个候选运动矢量,尽可能保证真实的运动矢量包含其中,接着再根据相邻块运动矢量的相关性,从多个候选运动矢量中选出一个比较可靠的运动矢量。实验结果表明,该算法产生的运动矢量真实可靠,而且一致性好,可用于识别可靠的运动区域。     

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。     

融合快速全局K-means与区域合并的图像分割

提出一种融合快速全局K-means与区域合并的图像分割方法。该方法利用中值滤波方法对图像去噪;运用快速全局K-means算法对图像的颜色空间进行聚类分析;结合区域合并准则,对初始分割合并得到最终的分割结果。实验表明,与同类算法比较,该方法的分割结果在图像细节方面能够很好地满足人的主观视觉。