背景重建在视频监视系统中的应用

利用FPGA和USB控制芯片实现了实时视频监视采集系统,根据视频监视和传输特点,将采集得到的图像数据先做背景重建,然后利用重建得到的背景进行视频对象分割,最后将重建的背景、视频对象以及视频对象在视频图像中的位置保存,作为后续视频检测分析的依据.实验结果表明本文给出的背景重建算法能够较好地重建背景,得到较精确的运动目标,同时能够大幅度的提高实时视频对象分割速率.     

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。     

基于时域统计变化检测实时分割头肩视频序列

分析了头肩视频序列的特点，提出了基于时域统计变化检测、利用多帧运动信息实时分割视频对象的方法。先选取包括当前帧在内的前连续2N帧图像，将奇数帧与偶数帧图像作差值，形成长度为Ⅳ的帧差图像序列；对每个象素点时域上的Ⅳ个帧差样本值进行分布显著性检验，判断象素点是否发生了变化；对得到的二值图像进行形态学处理，得到完整的分割结果。试验结果表明，该算法能够自动实时的分割视频对象。     

以统计变化检测为基础的实时分割视频对象新方法

为了克服利用变化检测分割视频对象过程中的噪声、复杂运动、暴露背景的影响，提出了一种基于统计变化检测的实时分割视频对象新方法。在该方法中，由于统计变化检测技术是利用t分布来有效消除噪声的影响，而不需要估计噪声的方差，而且可利用间隔为k的两帧图像代替连续两帧来进行变化检测，因此可以很好地处理关节运动和慢运动；另外，对两个连续的统计变化检测结果取交集还可以消除暴露背景的影响，并能消除大部分的残留噪声，且几乎不增加计算量，因此统计变化检测可作为视频对象分割的基础，试验结果表明，该方法不仅解决了传统的变化检测过程中的噪声、复杂运动以及暴露背景影响，而且能够自动实时地分割视频对象，以满足MPEG-4等基于对象的视频应用。     

结合形态学和假设检验的视频对象分割

视频对象分割是当前图像和视频处理的热点和难点之一。文章首先采用形态算子和改进的watershed算法对图像序列进行空间分割,然后利用F检测算法进行帧间变化检测,将时空分割结果结合起来,得到初始的变化检测模板。通过相应的基于二值形态算子的后处理,得到最终的分割结果。整个过程基本是对灰度图像和二值模板的形态处理,简单易行。实验结果表明该算法可以较好地分离前景和背景,定位和分割视频对象。     

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。     

实时运动对象分割和检索算法

提出一套实时视频对象分割检索算法,用运动矢量信息标注运动区域,利用背景检测算法检测对象区域。将检测出的对象区域和运动区域进行并操作运算,得到单帧图像的分割。利用改进的Hausdorff距离跟踪算法进行匹配跟踪和检索。实验表明了该算法的有效性。     

基于静止背景下的视频分割研究

基于背景重构的视频分割算法,利用统计累积的方法得到包含遮挡域的完整背景信息,利用当前帧和所得到的背景图像相减得到视频对象,成功地克服了遮挡问题,在静止的背景条件下,对于单一运动目标能够得到比较准确的分割结果。     

用于立体视频会议系统的立体对象分割与跟踪算法

基于对象的立体视频编码压缩技术能在立体视频会议系统中得到很好的应用，从立体视频信号中正确分割出立体视频对象是基于对象的立体视频编码压缩的一个前提条件，基于立体视频会议图像序列的时空特性和左右通道间的视差特性，提出了一种立体视频对象分割与跟踪算法，首先利用空域分割和运动检测相结合的方法，提取左通道中的运动物体；然后，提出一种左右通道间基于边缘轮廓的二级视差匹配算法，并根据已分割的左通道运动对象提取右通道的视频运动对象；最后利用对象边界轮廓的跟踪方法对后续图像中的运动对象进行快速跟踪，实验结果说明文中算法能够应用于立体视频会议图像序列的立体对象分割与跟踪。     

基于变化检测与时空滤波器的视频对象分割方法

随着基于对象视频应用的发展,视频对象的分割成为人们研究的熟点。本文提出了一种结合变化检测与时空滤波器快速分割视频对象的新方法,该方法利用t分布显著性检验检测帧问的变化,不需要知道噪声的方差;利用间隔为k的两帧图像代替连续两帧进行变化检测,可以很好地处理关节运动和慢运动。然后通过时空滤波器快速有效地消除由于视频对象运动而露出的背景区域,同时能够减少变化检测掩膜中的残留噪声。最后,通过形态学处理实现视频对象的分割。     

基于块运动信息的视频分割算法

提出一种视频对象分割的新算法.该算法利用块的运动信息作为分割依据,同时兼顾算法的计算复杂度和精度需求.一方面,对象分割的计算量开销与DCT运算相比可以忽略.另一方面,算法的分割精度能够满足提高无线视频编码传输质量的要求.实验验证该算法能有效提高无线视频应用的效率和鲁棒性.     

基于变化检测的视频对象分割算法研究

随着基于对象视频应用的发展,视频对象的分割成为人们研究的热点。提出了一种基于变化检测的视频对象分割算法。该算法首先求出连续两帧图像之间的差分,利用帧间变化信息可以得到视频对象的运动区域,根据差分图像的中值（MED）和中值绝对差（MAD）及原始图像均值确定阈值并滤除噪声,用数学形态学方法进行后处理,最终得到精确的视频运动对象。实验结果表明,该方法能够从背景不变的视频序列中较好地提取出视频运动对象,而且算法简单、高效、准确。     

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.     

基于视频六维分布模型的运动对象分割

视频运动对象检测是智能安全监控的基本问题。考虑视频的时间空间分布规律，该文构造了视频六维分布模型以进行运动对象分割。在时间维上利用在线高斯混合模型对背景进行更新，并且计算像素颜色差异。在空间维上利用纹理特征描述像素点之间结构关系，提高了对光线变化和阴影等环境变化的抗干扰能力。实验结果表明该算法是实用有效的。     

视频图像序列中运动目标区域检测算法研究

文章针对视频图像的特点,提出一种基于背景差分法的运动目标区域检测算法。该算法利用当前图像与背景图像作差分,并采用一阶Kalman滤波实现动态背景图像的更新,接着采用自适应阈值法进行运动区域分割,经过滤波处理即可得到运动目标区域。实验结果表明所提出的算法具有较理想的效果。     

面向多种场景的视频对象自动分割算法

针对当前应用于视频对象分割的图割方法容易在复杂环境、镜头移动、光照不稳定等场景下鲁棒性不佳的问题,提出了结合光流和图割的视频对象分割算法.主要思路是通过分析前景对象的运动信息,得到单帧图像上前景区域的先验知识,从而改善分割结果.论文首先通过光流场采集视频中动作信息,并提取出前景对象先验区域,然后结合前景和背景先验区域建立图割模型,实现前景对象分割.最后为提高算法在不同场景下的鲁棒性,本文改进了传统的测地显著性模型,并基于视频本征的时域平滑性,提出了基于混合高斯模型的动态位置模型优化机制.在两个标准数据集上的实验结果表明,所提算法与当前其他视频对象分割算法相比,降低了分割结果的错误率,有效提高了在多种场景下的鲁棒性.     

自适应混合高斯背景模型的改进

对自适应混合高斯背景模型进行了改进，将背景重构和前景消融时间控制机制整合到传统自适应混合高斯背景模型中，以提高运动分割的质量。背景重构算法从含有运动物体的动态场景视频序列中重构静态背景图像，然后用重构的静态背景图像初始化自适应混合高斯背景模型；而前景消融时间控制机制则使运动物体停止时的前景消融时间独立于背景模型的学习速率，从而可以根据需要调节前景消融的持续时间。实验结果表明了算法的有效性。     

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。