基于块特征分类的运动估计算法

运动估计作为H.264中最重要最耗时的部分,大量的算法研究都是通过减少搜索点数来降低计算量。视频序列中,人们感兴趣的往往是运动的物体,背景部分一般拥有大量的静止块,帧间背景间的运动可以认为完全是由摄像机的运动引起的。利用背景块与前景块的图像特征结合MV预测提出一种新算法。该算法包括以下策略：静止块判断、背景块、前景块和边缘块的检测、起点预测和搜索窗口的改进,同时引进了边缘检测技术。实验结果表明,该算法与全搜索算法(FS)、UMHex、SUMHex相比,搜索时间减少了,而搜索精度接近FS, 码率只有很小的增加。     

基于时空背景差的运动目标检测算法

假定图像序列的背景图像已经获得,提出一种基于时空背景差的运动目标检测算法.该算法融合背景差分、基于时间信息的帧间差分及基于空间信息的背景差分信息,得到真实运动物体的运动种子点,认为背景差分图像中包含运动种子点的连通区域为真实的前景目标,从而可以检测出正确而完整的前景目标.仿真实验表明,该算法可以避免背景模型对场景的表征不足及背景更新阶段造成的错误检测,即使在场景中存在微小运动的复杂环境下,仍能实现准确的运动分割.     

基于边缘检测的3D-HEVC深度图运动估计算法

针对3D高效视频编码(3D-HEVC)帧间预测未充分体现深度图特性、算法复杂度高、效率低的问题,提出一种基于深度图边缘检测的运动估计算法。对深度图进行边缘检测预处理,分别对边缘区域和平坦区域执行全搜索算法和六边形搜索算法,通过快速搜索平坦区域以降低帧间预测中运动估计SAD的计算复杂度。在3D-HEVC/HTM16.0平台上的测试结果表明,该算法减少了6.7%的深度图编码时间,而合成视图的BD-rate指标仅为0.146%,有效提高了编码效率。     

基于统计背景模型的运动目标检测方法

运动目标检测是计算机视觉、视频处理等应用领域的重要研究内容。其中减背景技术是一种常用方法。在减背景方法中，背景模型的提取、更新、背景扰动、外界光照条件变化、阴影检测等是必须要考虑的问题。提出了一种有效的运动目标检测方法，较好地解决了以上问题，首先利用统计的方法得到背景模型，并实时地对背景模型更新．以适应光线变化和场景本身的变化，用形态学方法和检测连通域面积进行后处理，消除噪声和背景扰动带来的影响，在HSV色度空间下检测阴影，得到准确的运动目标。实验结果表明，该方法是快速有效的。     

改进的背景差分运动目标检测算法在DSP上实现

为解决运动目标检测算法复杂、图像数据处理量大的缺陷以及有效提取运动目标的的位置、大小、形状等信息,利用基于卡尔曼滤波的估计技术改进背景差分算法,然后根据背景灰度值偏差自适应阈值准确分割运动目标区域。在CCS2.2集成开发环境下将算法通过SEDD-XD510PLUS仿真器移植到以TMS320DM642为核心处理器的硬件平台上,以安瓿针剂杂质为检测对象反复实验,验证了基于卡尔曼滤波背景估计的运动目标检测算法的高效性,此法能很大程度上克服光照强度变化的影响,准确地检测出运动目标区域,为后续跟踪、识别等处理提供良好的条件。     

基于邻近译码图像的运动估计算法

本文首先提出了一咱新的运动估计算法，它利用当前帧中已经译码的相邻图像实现当前图像的运动估计，避免了运动矢量的编码和传输；然后提出了一种符合图像编码要求的图像发割算法，该算法能够较好地从图像中提影响图像质量的关键区域，在这两种新算法基础上，本文最终实现了一种性能较好的视频编码算法。     

基于背景分类的运动目标检测算法

针对光线暗、对比度和分辨率低的监控视频,提出了一种基于背景分类的运动目标检测算法。 首先用视频第一帧图像HSV空间的色度H和亮度V作为背景特征进行初始化,建立两种包含色度和亮度特征的背景模型类,即初始化得到的原始背景类和受光照或者其他因素影响得到的在原始背景周围波动的背景波动类,利用这两个背景模型进行前景检测和背景更新。为提高前景检测的准确率,背景模型的更正加入背景更正机制和权重机制,使得背景中样本的数量根据背景的实际情况处在一种动态的变化中,提高前景分割的效率。用不同场景下的监控视频进行算法对比实验,结果证明,该算法获得的前景完整清晰,视频处理的速度较快。提出的算法简单实用,对噪声干扰表现出良好的鲁棒性。     

基于运动估计的视频隐写检测算法

提出一种基于运动估计的的视频隐写检测算法。通过块均方误差的变化研究信息嵌入对运动估计的影响,发现运动矢量对隐写具有敏感性,且分块越小,对隐写越敏感。反映视频时变特性的运动矢量场被作为隐写检测中视频数据的表征,特征提取过程中,先取定分块大小,使用最小均方误差块匹配运动估计算法,得到运动矢量场。再提取运动矢量场3个方向相邻元素的共生矩阵,使用共生矩阵的主对角线及其相邻元素作为特征。使用支持向量机分类器实施检测,实验结果表明文中算法与Budhia的算法相比,具有更好的检测性能。     

慢运动背景下运动目标提取算法*

提出一种慢运动背景视频序列下基于帧间背景图像匹配的运动目标检测和提取算法。该算法首先使用仿射变换模型来描述慢运动背景图像的运动变化,并使用基于光流约束方法求解该仿射变换模型参数,实现了相邻帧间图像的背景匹配;其次,采用背景匹配后的两帧图像差进行目标检测,使用自适应二值化区分变化与未变化区域;最后,使用形态学等图像算法进行后处理提取运动目标。算法经实验证明,在背景慢运动情况下可以有效地提取出运动目标。     

利用背景先验的显著性检测算法

目的 针对图像的显著区域检测问题,提出一种利用背景先验知识和多尺度分析的显著性检测算法。方法 首先,将原始图像在不同尺度下分解为超像素。然后,在每种尺度下根据各超像素之间的特征差异估计背景,提取背景区域,获取背景先验知识。根据背景先验计算各超像素的显著性,得到显著图。最后,将不同超像素尺度下的显著图进行融合得到最终显著图。结果 在公开的MASR-1000、ECSSD、SED和SOD数据集上进行实验验证,并和目前流行的算法进行实验对比。本文算法的准确率、召回率、F-Measure以及平均绝对误差均在4个数据集上的平均值分别为0.718 9、0.699 9、0.708 6和0.042 3,均优于当前流行的算法。结论 提出了一种新的显著性检测算法,对原始图像进行多尺度分析,利用背景先验计算视觉显著性。实验结果表明,本文算法能够完整、准确地检测显著性区域,适用于自然图像的显著性目标检测或目标分割应用。     

基于自适应背景匹配的运动目标检测算法

为了减小所提取的背景对后续目标检测的影响,提出了基于自适应背景匹配的运动目标检测算法.通过改进的Mode算法结合自适应背景匹配更新机制获得可靠的背景,在此基础上结合绝对差分和具有双动态阈值的Cauchy分布模型建立了目标检测总体模型,从而实现对视频序列中的运动目标进行检测.通过对行人和车辆等不同监控对象的实验,验证了算法具有良好的噪声抑制能力和对慢目标良好的鲁棒性,同时能有效的分割前景目标.     

基于高斯背景模型的车辆检测改进算法

针对车辆检测中实时性、准确性以及自适应性很难兼顾的问题,提出了一种快速有效的车辆检测算法。该算法采用阈值判定背景区域和更新区域,根据背景变化的程度,利用动态权值更新学习率,使用基于单高斯背景模型方法,结合逻辑"或"运算检测出车辆。实验结果表明,该算法能够快速准确地检测出车辆,并且在背景更新过程中实现了自适应,并具有一定的鲁棒性。     

基于背景重构的运动目标检测算法研究与应用

对视频序列中的运动目标检测方法进行了研究,提出了一种基于背景重构的运动目标检测算法。通过自学习方法建立视频图像的高斯模型,构造初始背景图像;运用差分算法,得到运动目标,并对背景图像进行了重构、更新,得到实时背景图像。该方法在有运动目标存在的情况下进行实时建模,实用价值高。     

Motion detection with nonstationary background

Abstract. This paper proposes a new background subtraction method for detecting moving foreground objects from a nonstationary background. While background subtraction has traditionally worked well for a stationary background, the same cannot be implied for a nonstationary viewing sensor. To a limited extent, motion compensation for the nonstationary background can be applied. However, in practice, it is difficult to realize the motion compensation to sufficient pixel accuracy, and the traditional background subtraction algorithm will fail for a moving scene. The problem is further complicated when the moving target to be detected/tracked is small, since the pixel error in motion that is compensating the background will subsume the small target. A spatial distribution of Gaussians (SDG) model is proposed to deal with moving object detection having motion compensation that is only approximately extracted. The distribution of each background pixel is temporally and spatially modeled. Based on this statistical model, a pixel in the current frame is then classified as belonging to the foreground or background. For this system to perform under lighting and environmental changes over an extended period of time, the background distribution must be updated with each incoming frame. A new background restoration and adaptation algorithm is developed for the nonstationary background. Test cases involving the detection of small moving objects within a highly textured background and with a pan-tilt tracking system are demonstrated successfully. Received: 30 July 2001 / Accepted: 20 April 2002 Correspondence to: Chin-Seng Chau     

全局运动补偿的动态背景下运动轨迹跟踪算法

针对动态背景下,一般跟踪算法存在着被动跟踪的滞后或偏移的问题,提出了一种结合Kalman滤波器的Mean-Shift跟踪算法.对运动矢量进行预处理,得到一个平稳更能反映运动信息的矢量场;利用Mean-Shift搜索算法精确地确定对象位置;此基础上,利用Kalman滤波器算法进行运动估计预测,来确定运动的轨迹.实验表明:与现有的方法相比,该方法可从复杂场景中更准确地对运动对象进行轨迹的跟踪.     

基于对称差分和背景减的运动目标检测

通过对视频运动对象特点的分析,提出一种针对静态场景的运动目标检测算法。该算法采用一种改进的时间平均法初始化背景,在有目标的情况下也能构建出可靠的背景,并融合背景减法和多重对称差分法对背景进行自适应更新。实验结果证明,该算法计算简单,对光线变化具有适应性,能够完整地提取运动目标,改善了运动目标的检测效果,具有一定的鲁棒性。     

一种基于帧间差探测函数模型的运动估计算法

针对基于匹配搜索的运动估计快速算法中,匹配环节在运动估计算法中耗费大量的处理时间,使得块匹配法运动估计实时性差的问题,提出了一种基于帧间差探测函数模型的运动估计新算法,该算法将"虚拟边缘"引入目标运动事件中,建立了帧间差探测函数模型,并确定了实际的帧间差探测函数模型中参数的选择策略.实验结果及分析表明,该算法不仅能够很好地完成较复杂背景下运动小目标的跟踪,而且能够获得相对于块匹配法更好的实时性能.     

基于减背景与对称差分的运动目标检测

本文提出了一种基于背景相减法和对称差分法来进行运动目标检测的方法。首先通过混和高斯模型建立运动区域的背景模型,并对背景进行实时的更新,然后通过背景相减法确定运动目标区域,再和对称差分法相结合,得到比较可靠的运动目标区域。