视频图像理解的一般性框架研究*

视频图像理解侧重于对视频序列进行解释,既涉及到图像的空间特性,也涉及到视频序列的时间特性,是目前计算机视觉领域的一个研究热点。回顾了视频图像理解方法的研究现状,提出视频图像理解的一般性框架,包括层次结构、涉及的技术领域和应用的系统结构,并以一个实际应用作为示例解释该框架的层次结构。     

基于下采样和帧差的运动目标检测方法

数字图像处理的应用领域已经扩展到多媒体上了,特别是对视频序列的智能处理,例如智能监控,客流统计等。而这些领域的一个基本的问题就是把目标从视频中检测出来,本文提出一种检测运动目标的方法,这种方法先对图像进行下采样,然后对连续三帧图像进行权值运算,从而得到一种有效的快速检测运动目标的方法。采用此算法不仅能够准确地提取出运动目标,而且对内存的要求低、运算量小,速度快,适合应用于实时性要求高的领域。     

多媒体技术漫谈

这篇文章,主要是从宏观上总结了一下现阶段图像视频底层技术的发展及应用点,从一个图像视频算法研究人员的角度谈一谈对这个领域的认识。图像视频领域的商业应用,集中在多媒体娱乐、互联网、智能监控、工业机器视觉、OCR、生物特征识别、医学图像处理以及军事国防几个领域,多媒体领域是其中的一个重要分支,很多图像视频领域的新算法和新理论往往在多媒体领域得到最先的应用。     

基于小波的图像及视频编码研究进展

随着Internet和多媒体应用的迅速发展,基于小波的图像和视频编码方法的研究已经成为多媒体信息处理的重要研究领域之一。该文对基于小波的图像和视频的编码情况进行了综述,首先介绍了可用于图像和视频编码的小波变换特性,然后对目前基于小波的图像和视频编码的主要方法和研究情况进行了讨论,同时对JPEG-2000和MPEG-4VTC中小波的应用情况进行了介绍,最后对基于小波的图像和视频编码未来的发展情况进行了展望。     

基于视频稳像和视角变换的公交客流计数方法

已有的公交客流计数方法大多没有考虑车体振动引起的视频抖动问题和摄像头角度引起的图像梯形失真问题,因此提出一种基于视频稳像和视角变换的公交客流计数方法。首先采用基于块匹配的视频稳像技术,减小车体振动引起的图像序列间的偏移;然后通过对视频图像进行视角变换,校正摄像头角度引起的图像梯形失真;最后采用基于头肩部特征的人体检测及跟踪方法,统计各个时段的上下客流量和乘客总人数。经实验测试,稳像处理后的视频与稳像前相比,峰值信噪比（PSNR）提高了约5.5dB,稳像速率达到25帧/s。视角变换后的视频与原始视频相比,人体识别率提高了约10%,大大提高了客流计数精度     

如何选购网络视频服务器

目前，在视频图像监控领域，数字化、网络化、智能化已成为一种发展趋势，数字视频图像监控系统也逐步进入大规模商业应用阶段。那么如何准确的去理解网络视频服务器的特性？又如何选购合适的网络视频服务器呢？     

概率图模型及其图像与视频应用研究

概率图模型及其应用作为一个具有挑战性的研究领域目前已成为一个新的研究热点。概率图模型为解决智能信息领域的不确定性问题提供了重要途径。尽管目前概率图模型还处于不断发展之中,但近年来基于概率图模型的图像和视频智能信息处理的应用研究受到人们的关注,出现了许多有效的算法,这些算法为解决一些传统的图像和视频智能信息处理问题提供了新的途径。本文首先对概率图模型的3种重要表现形式、特性和主要技术进行了分析和讨论,在此基础上,以概率图模型在图像和视频中的应用为线索,对目前基于概率图模型的图像和视频智能信息处理的主要技术进行了概述和比较研究;最后对概率图模型所存在的一些问题及进一步的发展进行了展望。     

基于改进萤火虫优化算法的视频监控图像增强

针对视频图像增强问题中连续多帧图像序列中的像素相关性,建立了一种有效的视频图像增强模型,将视频连续图像增强问题转化为从原始低质量图像像素序列到高质量增强图像像素序列的寻优问题。基本萤火虫(GSO)算法具有容易陷入极值振荡和局部最优的缺陷,为了解决这个问题,在位置更新策略中引入了全局最优个体影响因子与局部最优个体影响因子,同时为了保证迭代过程中荧光素更新的多样性,对萤火虫荧光素的挥发及增益系数进行改进,提出了改进萤火虫(IGSO)算法。结合视频图像增强问题特性,重新定义了算法的群体的输入、萤火虫的荧光素和位置更新运动方程,设定了优化目标函数准则。最后典型的道路和室内监控视频图像增强实例验证了所提出的模型和算法的可行性。     

视频图像序列在微机上的播放

本文分析了播放视频图像序列的要求,同时分析了扩充内存规范以及程序使用扩充内存的方法。最后讨论了如何利用扩充内存实现视频图像序列在微机上的连续播放,并给出了一个50帧的视频图像序列在微机上以25帧/S的速率进行播放的例程。     

高通量图像视频计算

互联网上的图像和视频数据正在飞速地产生和传播.这些数据不仅规模庞大,还具有高并发、高维度、大流量的显著特性,导致了目前对它们的实时分析和处理面临着巨大的挑战.这就需要开展高通量图像视频计算方面的研究,需要结合新型硬件结构,利用其体系结构优势,提出一系列实用的高通量图像视频计算理论与方法,提升数据中心的图像视频数据处理效率.为此,在详细地分析了现有的高通量图像视频计算相关方法与技术的基础上,探讨了现有高通量图像视频计算方法研究的不足;进一步地,分析了高通量图像视频计算的3个未来研究方向：高通量图像视频计算理论、高通量图像视频分析方法及高通量视频编码方法.最后,总结了高通量图像视频计算需要解决的3个关键科学问题.这些问题的解决将为互联网图像视频内容监管、大规模视频监控、图像视频搜索等重要应用提供关键技术支持.     

数字视频跟踪技术的理论前提研究

图像的颜色空间、AVI视频文件的结构和读取、BMP文件的结构和特点等,这些都是进行视频跟踪的前提。该文基于视频序列进行目标跟踪,选用Windows API的方法对AVI视频进行分解;在保存分解出来的图像帧时使用了便于处理的BMP格式;在对数字图像处理所基于的颜色空间的选择上,选用了既比较接近人眼处理速度又较快的HSI颜色空间。     

灰关联分析在视频运动目标检测中的应用

由于运动图像和背景具有极大相似性,通过背景图像和运动图像之间关联程度的大小能够检测出运动目标,故提出一种基于灰关联分析的运动目标检测方法.在室内和室外不同光照场景下,通过固定摄像机捕获的视频图像序列中的运动车体和人体进行检测;选取适当的比较图像序列,对该序列和含有运动目标的视频图像作灰关联分析,以清楚、完整地提取出运动目标.该方法对背景的要求很低,对噪声的抑制能力强,可以在一定程度上抑制阴影的影响.     

基于长时间视频序列的背景建模方法研究

针对现有背景建模算法难以处理场景非平稳变化的问题,提出一种基于长时间视频序列的背景建模方法.该方法包括训练、检索、更新三个主要步骤.在训练部分,首先将长时间视频分段剪辑并计算对应的背景图,然后通过图像降采样和降维找到背景描述子,并利用聚类算法对背景描述子进行分类,生成背景记忆字典.在检索部分,利用前景像素比例设计非平稳状态判断机制,如果发生非平稳变换,则计算原图描述子与背景字典中描述子之间的距离,距离最近的背景描述子对应的背景图片即为此时背景.在更新部分,利用前景像素比例设计更新判断机制,如果前景比例始终过大,则生成新背景,并更新背景字典以及背景图库.当出现非平稳变化时（如光线突变）,本算法能够将背景模型恢复问题转化为背景检索问题,确保背景模型的稳定获得.将该框架与短时空域信息背景模型（以ViBe、MOG为例）融合,重点测试非平稳变化场景下的背景估计和运动目标检测结果.在多个视频序列上的测试结果表明,该框架可有效处理非平稳变化,有效改善目标检测效果,显著降低误检率.     

视频图像实时小波变换系统

视频图像实时小波变换系统由CCD摄像头、视频图像采集卡和计算机软件组成．利用数值方法对视频图像进行小波变换，并实时显示变换结果。实验表明该系统对视频图像的实时小波变换具有较高质量和效率，利用Haar小波变换，图像边缘得到明显增强。     

一种带有外同步输入的视频发生器模块的设计

阐述了一种主要用于检测视频同步信号的基于PCI总线的视频发生器模块的设计过程。该模块具有RS-422总线接口与两路PAL制式复合视频输出端。该视频信号可以由外部行场同步与外部复合同步来同步,也可以由内部时钟生成的内同步信号同步。视频图象数据由板上的存储器存储,并可以通过接口改写。本硬件电路板还可以通过PC机对同步的选择与图象的发送进行控制,并具有故障检测的功能。其中的视频同步信号生成电路以及视频图像数据地址生成电路采用了PLD器件．这样就可以很方便地去改变视频制式,也便于调试。     

光线变化下的视频图像分割

视频图像分割是视频目标定位和识别的基础,如果背景中光线变化,那么将会给分割带来很大的影响。文中利用贝叶斯学习方法进行视频图像分割,在每个象素点处对不断变化的背景建模,计算每个象素点处的颜色直方图,用这些直方图来表示该象素点处特征向量的概率分布,然后用贝叶斯学习方法来判断,在光线缓慢或者突然变化的时候,每个象素点是属于前景还是属于背景。     

基于背景重建和MDBP的视频对象分割算法

提出了背景置信度图像和背景标示图像的概念,给出了一种基于背景重建和象素最小距离(M DBP)的自动视频对象分割方法。首先运用基于背景置信度图像和背景标示图像的背景重建技术从视频序列的多帧图像中重建出可靠的背景图像,然后运用差背景法分割视频对象(VO),同时再利用象素最小距离(M D BP)和总体象素最小距离(W M DBP)准则对分割出的视频对象图像进行处理,克服由于背景的微小变化而引起的前景对象的错误检测。试验结果表明该文给出方法能够较好地重建背景,对于背景静止的视频能够得到更好的分割结果。