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。     

一种二值图像下的收缩型活动轮廓及其应用

本文设计了一种二值图像下的收缩型活动轮廓，并把它应用到基于差分运算的活动视频对象的分割算法中，用来从残缺不全的二值差分图像中获得视频对象形状的矢量描述、该活动轮廓以视频对象的外接矩形框作为初始轮廓(从差分图像中可自动获得)，通过顶点增删、曲线平滑滤波、主动收缩(粘定图像)、自动分裂等局部化计算步骤完成每次迭代．它具有局部化计算、相似形变、轮廓自动分裂等特点，可以实现多目标的自动分割包围，对点状聚类目标也能较好地进行分割和边缘提取。     

一种快速的基于对称差分的视频分割算法

基于MPEG—4的图像压缩编码，为了高效率分割，实现低码率实时压缩，提出一种快速的基于对称差分的视频分割算法．对图像序列中每连续三帧图像进行对称差分，检测出目标的运动范围．同时利用上一帧分割出来的模板对检测出来的目标运动范围进行修正，最后通过模板填充把修正后的运动目标模板快速地提取出来，实现视频分割．     

视频对象自动分割算法

提出了一种基于小波变换和运动边缘检测的自动视频对象分割方法。该方法对相邻帧分别进行二维小波变换，在小波域进行变化检测和Canny边缘提取，返回空间域后得到鲁棒的相邻帧差分边缘模板。结合当前帧边缘、背景边缘和前一帧的运动边缘，检测出当前帧对象的运动边缘，从而实现对视频对象的提取。通过实验验证，该算法对目标的整体运动和局部形变都有较强的适应性。此外，算法还具有快速、简便、准确性高的特点。     

基于动态背景构造的视频运动对象自动分割

提出了一种基于动态背景构造的视频运动对象自动分割算法．首先,基于前景分离的动态背景构造技术使用与当前帧相邻的前后多帧图像中的背景信息准确地构造当前背景;然后,通过背景消除分割出运动对象,同时对静态前景区域（即帧间静止的运动对象区域）进行检测并将其合并到已分割出的对象区域上,从而获得完整的对象区域;最后,以对象区域的边缘为初始位置,使用以彩色梯度为外部能量的活动轮廓（snake）算法获得精确的对象轮廓．实验结果表明,该文算法有效地克服了显露背景和对象的不规则运动对分割准确度的影响,能够准确地实现视频运动对象的自动分割．     

视频运动对象的自动分割

视频运动对象的分割技术在运动视觉检测和新的MPEG-4视频编码标准中十分重要,提出了一种运动对象分割算法,该算法采用序列图像帧间差的高阶统计量(Higher Order Statistics,HOS)假设检验,确定运动对象的位置,自动分离运动区域与背景;根据三帧序列图像中前后帧差图像灰度边缘重合的部分为中间帧运动对象的边缘来有效地解决运动对象前后帧的遮挡问题;采用形态滤波的方法填充分割出的运动对象二值模板中的空洞,消除残余噪声及平滑边缘,分析和实验证明,该算法需要调整的参数少,抗干扰能力强,可以高效率地进行运动对象的自动分割,此外,该算法具有潜在的并行机制,易于实现实时运动图像处理。     

联合前景和背景对视频对象进行自动分割

提出了一种自动的运动对象分割算法,利用浮点图像的轮廓及其颜色特征将第一帧图像进行区域分割,然后根据帧间运动信息构造出前景和背景图像,最后以前景和背景图像作为参考,对同一场景中所有视频帧进行快速可靠的分割。     

基于帧差和小波包分析算法的运动目标检测

提出了一种在镜头不动的情况下基于累积帧差分割和小波包分析融合技术的运动目标检测方法.这种方法可分为四步:使用改进的累积帧差算法和阈值分割算法完成目标区域的分割,并获得初始运动模板;利用小波包分析算法提取出单帧图像的边缘信息并获得细化的目标区域边缘图;根据初始运动模板和空域边缘图像的融合得到更精确的运动目标模板;最后结合原序列图像检测出完整的运动目标.实验结果表明:这种方法可以有效地从对比度较小和噪声较大的视频序列中较精确地检测出完整的运动目标.     

基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.     

视频序列中运动前景的自动提取方法

在兼顾运动图像分割效果和实时性的基础上,针对视频序列,仅利用其时域信息,提出了一种简单有效的运动前景分割算法。首先对图像序列做帧间差分与隔帧差分,然后将两类差分结果进行累积,对累积结果采取交集聚类的方法求出运动前景轮廓。二值化处理后,扫描填充即可得到图像序列中的运动前景。实验证明：该算法兼顾分割效果和实时性的要求,是一种较好的运动前景分割算法。     

运动视频对象分割的一种快速算法

为了能够实时地对运动视频对象进行分割,提出了一种对视频序列图象中的运动对象进行快速分割提取的算法,该算法首先对图象进行滤波,并求出连续两帧图象之间的差分,然后应用“同化填充”技术和基于对象的“整体运动估计”来对差分图象进行修正,进而得到对象模板,同时利用模板缓冲区的帧间迭代来维持模板的完整性,该算法不仅不依赖于固定背景,而且能够消除差分图中的显露背景,还能得到运动目标较为精确的形状,并且算法简单,快速,鲁棒性好。     

Object tracking using deformable templates

We propose a method for object tracking using prototype-based deformable template models. To track an object in an image sequence, we use a criterion which combines two terms: the frame-to-frame deviations of the object shape and the fidelity of the modeled shape to the input image. The deformable template model utilizes the prior shape information which is extracted from the previous frames along with a systematic shape deformation scheme to model the object shape in a new frame. The following image information is used in the tracking process: 1) edge and gradient information: the object boundary consists of pixels with large image gradient, 2) region consistency: the same object region possesses consistent color and texture throughout the sequence, and 3) interframe motion: the boundary of a moving object is characterized by large interframe motion. The tracking proceeds by optimizing an objective function which combines both the shape deformation and the fidelity of the modeled shape to the current image (in terms of gradient, texture, and interframe motion). The inherent structure in the deformable template, together with region, motion, and image gradient cues, makes the proposed algorithm relatively insensitive to the adverse effects of weak image features and moderate amounts of occlusion     

一种基于梯度方向信息的运动目标检测算法

运动目标检测是智能视觉监控系统的基本内容。在对现有算法分析的基础上提出了一种基于梯度方向信息的运动目标检测算法。首先利用方向信息提取视频图像序列中每一帧的边缘梯度图,然后通过改进传统帧差算法,采用uint8数据格式处理含有时间关系的两帧图像以此确定运动目标粗略边界,经运动目标连通域识别,最后结合梯度方向信息准确提取运动目标的完整轮廓。实验结果表明,该算法克服了传统帧差算法不能准确定位目标的缺点,在室内外复杂背景下均能准确地提取完整的目标轮廓。     

复杂码头环境下的船舶检测与跟踪算法

运动模板算法在复杂环境下无法准确提取运动目标区域,并且依赖帧间间隔的选取,无法对减速运动目标取得良好检测效果。针对该缺点,提出了一种改进的运动模版算法。首先,对输入的视频序列采用Canny算子结合轮廓信息提取水岸边界线;然后,将运动历史图沿着水岸边界线进行水岸分离,消除岸上运动目标的干扰;接着,对水面区域进行形态学处理,消除背景中水面上非目标运动对象;最后,对形态学处理后的结果进行船舶轮廓检测,计算最大轮廓外接矩形的宽和高,结合船舶当前位置的尾部坐标重建船舶轮廓外接矩形,以此实现实时的、高准确度的船舶检测与跟踪。实验结果表明,在复杂水面环境下,该方法能够实现实时、准确的船舶目标检测与跟踪。     

基于运动信息与马尔可夫彩色聚类的运动目标分割

针对视频序列图像中的运动目标分割,论文提出了将运动检测和马尔可夫彩色聚类相结合的运动目标分割算法。该算法首先利用基于统计模型的运动检测算法,通过后处理,得到运动目标的初始模板。然后,利用区域生长算法进行彩色图像的初始分割,在初始分割的基础上应用马尔可夫随机场模型进行彩色聚类,得到具有精确边缘的分割区域。最后,将运动目标的初始模板和彩色精确分割结合起来提取出具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

基于主动轮廓模型的交通场景运动目标提取算法

在交通监控中,从复杂的交通场景中精确地分割出运动目标是至关重要的。目前,经典的运动目标检测算法有背景差法和帧差法。当场景中存在阴影时,这两种方法都不能够精确地提取运动目标。提出了一种基于主动轮廓模型的运动目标提取算法。通过阴影检测,从运动目标中获得消除阴影的初始轮廓,然后通过主动轮廓模型逼近运动目标真实轮廓。实验表明,该算法既可以消除阴影和噪声的影响,又可以保持运动目标完整。     

基于马尔可夫随机场与活动轮廓的运动目标分割

针对视频序列图像中的运动目标分割,提出了将马尔可夫随机场模型和活动轮廓模型相结合的运动目标分割算法。该算法首先利用马尔可夫随机场模型的运动检测算法,得到运动目标的初始模板。在此基础上提取出活动轮廓模型的初始轮廓点,然后构造活动轮廓模型的能量函数。用改进的贪婪算法求得能量函数最小值,提取出运动目标的精确轮廓,从而得到具有精确边缘的运动目标。实验结果表明该算法能有效地分割和提取出视频序列中的运动目标。     

Video object tracking based on improved gradient vector flow snake and intra-frame centroids tracking method

Accurately tracking the video object in video sequence is a crucial stage for video object processing which has wide applications in different fields. In this paper, a novel video object tracking algorithm based on the improved gradient vector flow (GVF) snake model and intra-frame centroids tracking algorithm is proposed. Unlike traditional gradient vector flow snake, the improved gradient vector flow snake adopts anisotropic diffusion and a four directions edge operator to solve the blurry boundary and edge shifting problem. Then the improved gradient vector flow snake is employed to extract the object contour in each frame of the video sequence. To set the initial contour of the gradient vector flow snake automatically, we design an intra-frame centroids tracking algorithm. Splitting the original video sequence into segments, for each segment, the initial contours of first two frames are set by change detection based on t-distribution significance test. Then, utilizing the redundancy between the consecutive frames, the subsequent frames’ initial contours are obtained by intra-frame motion vectors. Experimental results with several test video sequences indicate the validity and accuracy of the video object tracking.