基于SVM和GMM的视频运动对象分割算法

针对传统的高斯混合模型分割方法易受复杂背景影响, 且对前景对象的分割效果不理想的问题, 提出了一种将高斯混合模型与支持向量机分类器相结合的算法.该算法首先将视频图像由高斯混合模型做初步二值化分割, 同时将视频图像用训练后的支持向量机分类器进行像素分类, 获取对应的前景块和背景块;然后, 将支持向量机得到的分割模板和高斯混合模型分割的结果进行与运算, 得到最终分割结果.实验结果表明, 该算法显著减少了动态前景对象的分割错误, 提高了分割质量.     

基于分层MRF模型的抗抖动视频分割算法

提出了一种新的抗摄像机频繁抖动的视频分割算法.采用分层马尔可夫随机场（MRF）模型对视频各帧图像进行多分辨率建模，利用视频序列中帧图像的空间关系来提高分割的准确性，通过Gibbs采样算法求得最大后验概率（MAP），从而实现在摄像机抖动情况下对视频目标的准确分割.在强光、多目标以及复杂背景等情况下对视频序列的车辆目标进行分割.经过实验对比，新算法的分割效果明显优于背景累积相减分割算法以及高斯混合模型方法.     

自适应脑组织影像分割

提出一种支持二维及三维MR脑影像的脑组织分割方法。首先采用改进的C-V模型去除脑脊液对灰质分割准确性的干扰。其次通过采用结合C-V模型的带标记区域增长算法,去除脑壳并提取脑室。最后结合覆盖背景的方法提取灰质及白质,从而实现了脑组织的自动分割。对该算法进行了仿真与实验验证,结果表明,该算法具备良好的准确性、通用性与实用性。     

一种基于脉线流卷积神经网络的人群异常行为检测算法

在计算机视觉领域，人群异常行为检测技术可以广泛应用于视频监控、智能视频分析、群体行为识别等领域，因此，受到了学者们的广泛关注。由于视频中人群目标具有尺度变化大、透视形变、标注偏置等特点，人群异常行为检测依然是一个具有挑战性的难题。为此，本文提出了一种基于脉线流和卷积神经网络的人群异常行为检测方法(Streak Flow CNN Abnormal Behavior Detection，简称SFCNN-ABD)。SFCNN-ABD通过卷积神经网络获取显著的人群行为空域特征，并通过脉线流结合卷积神经网络获取人群行为时域特征。SFCNN-ABD是一个双流网络，网络结构由两个深度残差网络作为骨干网络，分别为空域网络和时域网络。其中，空间域网络的输入是原始视频帧，提取人群行为的表观特征，而时域网络利用脉线流提取人群行为的运动特征，脉线流能更准确地识别场景中的空域和时域变化，因而能进一步提升人群异常行为检测的准确性。最后将两个网络的输出进行融合，完成人群异常行为的检测。在UMN和VIF两个公开基准数据集进行了测试，实验结果表明本文方法的性能优于当前主流算法，验证了本文方法的有效性。     

基于感兴趣区域模型的车道线快速检测算法

为满足智能车载视频取证设备对车辆违章行为取证时检测车道线准确性和时效性的要求,提出一种基于感兴趣区域模型的结构化道路车道线的快速检测算法。该算法首先基于结构化道路具有车道线与路面对比度高的特点,采用Soberx边缘检测算子检测车道的边缘信息,然后在感兴趣区域模型基础上,采用改进的Hough变换检测出可能的车道线。为准确提取车道线完成车道的准确检测,该算法基于透视图像消失点原理,采用逆透视变换消除伪车道线完成车道准确定位。实验表明,该算法定位精度高、快速快、鲁棒性好,能够满足高速公路智能车载视频设备取证的性能要求。     

基于Snake改进模型的心脏MR图像左心室分割方法

提出一种基于Snake改进模型的心脏MR图像左心室分割方法。首先对梯度矢量流GVF模型进行改进,提出基于扩展邻域的S型函数梯度矢量流ENSGVF模型,该模型可获得更大的捕获域,并能解决深度凹陷及弱边界泄露的问题。然后将ENSGVF作为新的外力条件,构造ENSGVF Snake模型,用于内外膜分割。对于内膜分割,引入圆形约束项,消除由于图像灰度不均匀造成的局部极小问题。进而利用内膜分割结果构造新的外力场和约束,实现外膜的精确自动分割。实验结果表明,该算法能有效解决分割中存在的弱边界、图像灰度不均匀、乳突肌干扰等问题,提高了精确度。     

基于先验的动作视频关键帧提取

针对运动视频关键帧提取结果运动表达能力差的问题,以健美操运动视频关键帧提取为例,将先验语义引入到视频片段分割和关键帧提取特征提取等过程中,提出基于先验的运动视频关键帧提取算法。该算法采用韵律特征和动作节拍连续性等先验知识,将健美操动作视频分解成不同长度的动作视频片段,并利用Hog人体分类器从每一帧图像中识别出人体边界框;通过人体模板将人体边界框分割为16个运动块,并采用光流法计算每个运动块的基本运动方向;通过比较运动块基本运动方向的差异实现了动作视频关键帧提取。实验证明,该方法在保证关键帧视频压缩的情况下,具有更好地动作概括力。     

基于区域合并与轮廓模型的图像序列人物轮廓分割

为解决受图像背景复杂度影响,分水岭算法较难高精度实现图像序列中人物轮廓的分割与追踪这一问题,提出了利用颜色空间转换的区域合并实现目标轮廓区域的划分、并基于人物头部轮廓信息生成人物领域轮廓模型的方法。通过对人物领域边界线生成的初步轮廓模型进行高斯函数的卷积运算,生成形态轮廓模型的有效对象模板,实现图像序列的人物领域中不依靠序列差分和移动向量亦能在图像序列中追踪移动对象。基于颜色空间转换的区域合并和轮廓模型算法,可满足视频背景变动并且背景复杂的情况下对图像序列中的人物轮廓进行有效分割。实验结果验证了本算法的有效性与鲁棒性,可有效而稳定实现图像序列中人物轮廓的分割。     

基于纹理分割的视频人体检测

提出一种新的基于图模型纹理分割的视频人体检测方法。首先利用帧间拆分与背景拆分相结合的方式对人体进行粗分割;然后确定目标区域,利用高斯图模型建立纹理模型。通过变量选择和参数估计对纹理特征进行分析,并计算纹理图像的最大后验概率,将纹理后验概率大的归到一类。将基于图模型的纹理分割方法应用到视频检测,实验显示了很好的效果。     

一种基于MRF与区域合并的图像分割改进算法

针对现有基于马尔科夫随机场的图像分割算法容易出现过分割、分割结果不理想等问题,提出了一种基于马尔科夫随机场与区域合并的图像分割改进算法。该算法首先基于马尔科夫随机场与高斯混合模型理论的图像分割算法得到初始分割结果;然后利用各个区域间的相邻关系、颜色关系以及边界情况等信息,给出各个区域间的距离;最后按照区域间的距离与区域合并前后的颜色散度变化率对初始分割结果进行区域合并,输出最终的分割结果。使用伯克利标准图像库进行实验仿真,采用Dice系数和Jaccard系数作为评价指标。仿真结果表明,相比于现有基于MRF理论的算法,本文算法具有更好的分割效果。     

一种动态场景下的视频前景目标分割方法

视频中运动前景目标的分割是计算机视觉领域的一项关键问题, 在视频监控、检索、事件检测等多个方面具有重要应用价值. 现有视频前景目标分割技术主要针对静态场景, 在动态场景下难以获取良好效果. 该文提出一种高斯混合模型与光流残差相结合的前景目标分割方法. 该方法使用高斯混合模型建模, 提取初步的前景区域; 利用光流残差进一步滤除其中动态纹理背景干扰; 采用形态学处理获得前景目标. 实验显示, 与现有方法相比, 该方法可更准确地从动态场景中分割出前景目标轮廓.     

Contour tracking using weighted structure tensor based variational level set

A novel contour tracking method using weighted structure tensor based variational level set is proposed in this paper.The image is first converted to weighted structure tensor field by extracting apositive definite symmetric covariance matrix for each pixel.Then,a level set method is employed to represent object contour implicitly which separates the image domain into two areas each modeled by tensor field based Gaussian mixture model separately.By solving agradient flow equation of energy functional with respect to the level set,the object contour will converge to its real profile in the newly arrived frame.Experimental results on several video sequences demonstrate the better performance of our method than the other two contour tracking algorithms.     

互补增强式空间运动目标高精度检测与分割

针对空间监视系统中的运动目标自主高精度的检测问题,提出一种显著性计算与光流检测互补增强式算法.以mean shift初检结果为导引,通过显著性区域检测与光流检测的互补增强而实现空间运动目标的高精度检测.首先通过梯度信息和频率调谐滤波的互补方式分别计算整幅图像和mean shift分割后各个分块区域的显著性,再以整幅图像显著性均值为参考,确定合理的阈值以检测候选目标;与此相并行,也采用光流计算及相应的阈值检测方法获取候选目标.进而通过对显著性计算与光流检测分别得到的两个不同候选目标分布图的合取运算进行目标确认,最后再辅之以形态学滤波使确认目标得以增强,从而实现空间运动目标的高精度检测与分割.研究结果表明,在无需知道任何场景和目标先验信息,也无需人工干预的条件下,所提算法能够有效实现空间运动目标的精确检测和分割,对光照变化和噪声干扰也有很强的适应能力.     

Adaptive learning rate GMM for moving object detection in outdoor surveillance for sudden illumination changes

A dynamic learning rate Gaussian mixture model (GMM) algorithm is proposed to deal with the problem of slow adaption of GMM in the case of moving object detection in the outdoor surveillance, especially in the presence of sudden illumination changes. The GMM is mostly used for detecting objects in complex scenes for intelligent monitoring systems. To solve this problem, a mixture Gaussian model has been built for each pixel in the video frame, and according to the scene change from the frame difference, the learning rate of GMM can be dynamically adjusted. The experiments show that the proposed method gives good results with an adaptive GMM learning rate when we compare it with GMM method with a fixed learning rate. The method was tested on a certain dataset, and tests in the case of sudden natural light changes show that our method has a better accuracy and lower false alarm rate.     

基于三维小波变换和HVS的视频水印算法

针对数字视频的版权保护,提出了一种以二值图像作为水印和基于三维小波变换及HVS特性的视频水印算法.首先对水印图像进行混沌加密和Arnold置乱处理,利用基于方向经验模式分解的视频场景分割技术将视频信号切分为不同的场景,通过密钥从中选取若干场景进行三级三维小波变换.再借助HVS对图像纹理区域、运动区域的掩蔽特性,使水印自适应被嵌入到低频子带的重要系数中.实验结果表明,文中的算法具有较好的不可见性,对于诸如Gaussian噪声、丢帧、帧平均和MPEG压缩等攻击具有很好的鲁棒性.     

Phased smoke detection algorithm using dual network fusion

Existing video smoke detection methods have a low detection accuracy in complex scenes and cannot detect smoke areas in video frames accurately. In this paper, a phased smoke detection algorithm that combines the smoke movement process and the target detection algorithm is proposed. First, an improved ViBe algorithm based on smoke color features is used to extract the continuously moving smoke in video. Then, the YOLO v3 model is used as the target detection network. The channel attention mechanism is added to the residual structure of its backbone network. Focal-loss and GIoU are utilized to improve the loss function. According to the test of the smoke image data set, the detection time of the improved network on a single picture is 38.4ms and the mAP reaches 92.13%, which is 2.19% higher than that by the original model. While extracting smoke motion, the same frame is sent to the improved YOLO v3 for smoke detection. Finally, comprehensive discrimination is made based on the smoke detection results in stages. Public smoke video test results show that the algorithm has an average detection rate of 98.88%, which proves that the algorithm has a strong adaptability, a high detection efficiency in complex scenes and a high practical application value.     

基于级联卷积神经网络的视频动态烟雾检测

复杂场景中烟雾特性的提取是目前视频烟雾检测领域的主要挑战。针对该问题,提出一种静态和动态特征结合的卷积神经网络视频烟雾检测框架。在静态单帧图像特征检测的基础上,进一步分析其时空域上的动态纹理信息以期克服复杂的环境干扰。实验结果显示,该级联卷积神经网络模型可有效应用于复杂视频场景中烟雾事件的实时检测。     

基于空间约束的自适应单目3D物体检测算法

引入无须先验模版匹配的3D目标检测算法,通过简化消失点（VP）计算和改进角点提取等步骤,提出一种自适应的单目3D物体检测算法. 针对复杂场景下VP 计算易受干扰的问题,根据室内场景中世界坐标系、相机以及目标物体之间的空间关系,建立目标、相机偏航角与VP之间的约束模型,提出一种基于空间约束的 M 估计子抽样一致性（MSAC）消失点计算方法;为了提高3D框的估计精度,在VP透视关系的基础上,提出一种自适应估计3D框角点的方法,通过建立目标3D轮廓线与2D框的空间约束关系,实现目标物体的3D框快速检测. 相关数据集的实验结果表明,所提方法相比于其他算法不仅在室内场景下具有估计精度高、实时性好的优势,而且在室外场景实验下也具有更好的精度和鲁棒性.