复杂背景下运动目标跟踪技术

运动目标分割技术是计算机视觉研究的热点。介绍了一种常用的K im目标分割方法,并针对其不足,对K im方法进行了改进,将连续两帧的差分图像和背景差分图像直接相乘得到灰度图像,然后对该灰度图像进行阈值分割来获取目标区域模板,再基于灰度加权图像模板匹配法实现目标跟踪。实验结果表明,该方法能够准确地检测跟踪目标,具有较好的实用价值。     

基于二维最大熵阈值分割的SIFT图像匹配算法

提出了一种基于二维灰度直方图最大熵阈值分割的SIFT图像特征匹配算法。与传统SIFT算法相比,该算法首先综合利用图像像素的灰度信息和邻域空间信息,生成图像二维灰度直方图,并基于此直方图的最大熵对图像进行阈值分割,然后检测分割后图像的DoG尺度空间局部极值,并以此作为特征点进行图像匹配。实验结果表明,基于所提出的匹配算法,可以有效降低图像背景噪声和边缘像素点对目标匹配的干扰,进而提高图像目标的匹配性能。     

多向加权Tsallis熵最大化导向的自动阈值分割方法

受噪声或随机细节、目标和背景的大小比例、成像时的点扩散等不同因素的影响,许多图像的灰度直方图呈现为无模态、单模态、双模态或者多模态样式.为了在统一框架内处理这4种不同模态情形下的自动阈值选择问题,本文提出了一种多向加权Tsallis熵最大化导向的自动阈值分割方法（Multi-directional Weighted Tsallis Entropy,MWTE）.基于新设计的反正切方向性卷积核的多尺度乘积效应,该方法将不同模态的灰度直方图转化为统一的单模态右偏灰度直方图.在4个不同方向上提取出这种特殊的单模态右偏灰度直方图后,通过多向加权策略构建出与原始图像灰度值紧密相关的加权Tsallis熵目标函数,并以该目标函数取最大值时对应的灰度值作为最终分割阈值.本文将提出的方法和3个阈值分割方法、1个软分割方法、1个活动轮廓分割方法以及1个自动聚类分割方法进行了比较.在4种不同模态情形下的4幅合成图像和50幅真实世界图像上的实验结果表明,本文提出的方法虽然在计算效率方面不占有优势,但它对不同模态的测试图像具有更稳健的分割适应性,且在量化分割精度所用的马修斯相关系数方面优于其他6个分割方法.     

一种基于灰度相关性的背景更新算法

视频运动目标检测常用的方法是背景差分法,而背景差分法的关键是如何从视频中建立背景模型。IIR滤波器背景更新算法是采用较多的一种背景更新算法,但仍存在一些不足,因此,本文提出了一种基于灰度相关性的背景更新算法,并使用差分图像像素均值法获取阈值对图像进行分割,用基于形态学及连通性分析法对检测目标进行后处理。实验结果表明:该算法能够实得到的背景帧较为理想,能对运动目标进行准确的检测,具有很好的鲁棒性。     

基于颜色和灰度熵的视频镜头检测方法

视频镜头分割是视频检索和视频分类等应用的关键步骤,因此提出一种基于颜色直方图和灰度熵的镜头检测算法。该方法以HSV颜色直方图和图像的灰度熵为特征,计算视频相邻两图像帧的相似度,从而判断出是否发生了镜头变换。实验证明,该方法能准确检测出视频的突变镜头,对渐变镜头也有理想的检测效果。     

一种基于特征融合的运动目标跟踪算法

联合目标的灰度特征空间和梯度特征空间,构造了由目标的灰度加权直方图和梯度加权直方图联合表示的目标模型,利用均值平移算法在当前帧中迭代搜索目标位置.实验表明,该方法对于目标和背景灰度相似以及目标被部分遮挡时的跟踪是有效和稳健的.     

基于二维灰度直方图的蚁群图像分割

提出了一种基于二维灰度直方图的蚁群图像分割方法。该方法基于二维灰度直方图 的灰度、邻域平均灰度及灰度频数进行蚁群模糊聚类,通过二维灰度直方图的一维最佳投影,设置精确的初始聚类中心来解决蚁群算法循环次数多、计算量大的问题;并针对具体应用,对聚类半径、信息激素和启发式引导函数进行了相应的修正。实验表明该算法速度快、划分特性好,可以准确地分割出目标。     

基于视频帧加权的台标自动检测方法

复杂背景切换以及半透明化趋势增加了电视台标检测的难度。针对当前台标检测中存在的问题,提出一种视频帧加权处理的台标自动检测方法。首先根据台标位置的先验知识,利用视频帧加权方法对视频图像帧作实时背景更新处理,得到稳定的灰度台标图像;然后采用Canny算法对实时灰度台标进行边缘检测,得到台标的轮廓图像;最后采用简化的分水岭填充算法得到单个台标图像。使用部分地方电视台台标进行实验,提取出的实时台标图像效果好,证明了该方法的有效性。     

基于EM的红外扩展目标鲁棒自动跟踪方法

针对红外视频图像的特点,提出了一种基于期望最大化算法的红外扩展目标鲁棒自动跟踪方法.首先利用局部Top-Hat形态学滤波进行背景抑制和去噪,并通过平台直方图技术突出跟踪区域的红外目标灰度信,g-;然后以考虑了像素空间位置信息的高斯加权直方图建立目标的灰度特征模板;最后通过期望最大化迭代计算来估计出各密度分布的最大似然函数的参数集,并由此确定跟踪目标的位置和形状尺寸.实验表明,该方法不仅实现了跟踪窗口随目标尺寸的自适应变化,而且有效克服了红外图像信噪比低的缺点,提高了红外目标实时跟踪的稳健性.     

基于复杂场景下特征融合与估计的目标跟踪算法

针对图像跟踪过程中的背景干扰、光照条件变化与目标特性漂移等问题,提出一种粒子滤波框架下灰度和纹理特征融合与估计的目标跟踪算法.首先建立基于灰度直方图和边缘梯度直方图的特征集合,以增加目标描述的信息量和稳定性;然后在跟踪过程中依据每个特征对目标与背景的区分度赋予其相应的权值,突出贡献较大的特征,并将该加权系数用于目标和候选目标的相似性度量;最后,为了克服复杂场景对单幅图像中特征可信度的影响,将跟踪的连续性引入权值的自适应调整过程,利用当前帧的特征区分度和前一帧的特征权值对当前帧的特征权值进行估计,从而实现特征权值的在线更新.实验结果表明,通过对特征的融合及其权值的在线估计,实现了复杂场景下的稳定目标跟踪.