基于低比特率视频序列的运动对象分割算法

在兼顾运动图像分割效果和实时性的原则上,针对视频会议、新闻播报等低比特率视频序列,提出了一种简单高效的运动对象分割算法。首先利用累积帧差求出图像帧的运动区域,然后对其进行二值化和形态学处理得到帧差模板,最后利用二次扫描的方法得到运动对象掩模,对其进行填充就可以提取出运动对象。实验证明得到了较好的分割效果并且在实时性的应用中具有一定的优势。     

一种基于时空结合的视频运动对象分割算法

针对目前的视频运动对象分割中算法复杂度高、实时性差,分割不精确等问题,提出了一种基于时空结合的视频运动对象分割算法.该算法利用视频序列的时间相关性来进行对称差分处理,首先取得当前帧运动对象的大致轮廓区域;然后在轮廓区域内,用区域增长法对图象作空域分割;最后利用对称差分的分割结果排除空域分割结果中的背景区域来取得运动对象.实验结果表明,这种算法简单实用,不仅兼顾了实时性和精确性,而且能有效地分割出视频序列中的运动对象.     

一种图像序列中的运动前景分割算法

提出了一种在图像序列中分割运动前景的算法，该算法首先对前后连续的两帧图像作差值，然后再对差值图像的直方图进行处理，并通过曲线拟合获取最佳分割门限，最后对分割结果进行形态滤波恢复出图像序列中的运动前景。实验结果表明：该算法简单易行，能够成功分割出图像序列中的运动物体，是一种较好的运动前景分割算法。     

早期森林火灾烟雾图像序列的分割算法

针对早期森林火灾烟雾图像序列,提出了一种基于时间-空间域联合的烟雾前景分割算法。首先,对烟雾的瞬时动态数据和累积动态数据进行分析,然后,进行二值化、形态学处理,得到了烟雾前景轮廓。通过扫描烟雾前景轮廓和填充烟雾前景掩模后即可得到烟雾前景图像。实验证明,该算法兼顾了分割效果和实时性,较好地对森林火灾烟雾进行了提取。     

视频序列中运动目标自动提取的研究

本文提出了一种从彩色视频序列中,有效分割运动目标的算法。首先将当前帧图像和背景参考图像在YUV彩色空间中进行距离差分得到距离差分图像,然后根据差分图像直方图的单峰聚集特性,提出了基于直方图的自适应聚类分割算法;对分割后的二值图像采用图像形态学方法去除无用的噪声斑点,并根据得到运动模板,提出了背景参考图像的更新策略。实验结果表明这是一种简单、有效的运动目标提取方法。     

视频序列中运动目标自动提取的研究

本文提出了一种从彩色视频序列中,有效分割运动目标的算法。首先将当前帧图像和背景参考图像在YUV彩色空间中进行距离差分得到距离差分图像,然后根据差分图像直方图的单峰聚集特性,提出了基于直方图的自适应聚类分割算法;对分割后的二值图像采用图像形态学方法去除无用的噪声斑点,并根据得到运动模板,提出了背景参考图像的更新策略。实验结果表明这是一种简单、有效的运动目标提取方法。     

五帧差分和边缘检测的运动目标检测

为了改进传统三帧差分的运动目标检测方法易出现的空洞和与虚假边缘的现象, 提出了一种基于五帧差分和边缘检测相融合的运动目标检测方法。该算法首先利用优化的Canny边缘检测算法快速提取五帧连续图像的边缘图像, 然后对五帧连续的边缘图像进图像的五帧差分运算, 最后通过阈值分割和形态学处理完成对目标的提取。该方法计算简单, 实验结果表明, 该算法准确率高, 连通性好, 能满足实时性检测的要求。     

一种简单快速的多媒体视频序列中运动对象分割方法

为了提高视频分割的实时性和效果,针对低比特率多媒体应用的视频序列,提出了一种简单快速的运动对象分割方法。首先利用对称差分得到差分图像,然后再求出当前帧的梯度图像,二者相与得到连续的运动对象边界;再对其进行形态学处理及二次扫描,得到运动对象掩模;最后用原图像的灰度值填充该区域。实验证明,使用该方法得到了较好的分割效果并缩短了处理时间。     

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.     

基于累积绝对差图像与交叉熵分割的运动目标检测与定位

提出了一种新的运动目标检测与定位方法。针对位移变化较小的运动目标，先对运动序列中所有相邻两帧图像作绝对值差分运算，然后再将绝对值差分结果进行累加，从而得到累积绝对差图像。利用交叉熵分割法对累积绝对差图像二值化，并结合形态学方法去除噪声，求取出目标的运动区域。对运动序列的首帧和尾帧进行差分运算并二值化．为了去噪，将首尾帧差图像与累积绝对差图像进行逻辑与运算，确定出目标在首尾图像中的位置。实验结果表明了本方法的有效性和鲁棒性。     

Non-interactive automatic video segmentation of moving targets

Extracting moving targets from video accurately is of great significance in the field of intelligent transport.To some extent,it is related to video segmentation or matting.In this paper,we propose a non-interactive automatic segmentation method for extracting moving targets.First,the motion knowledge in video is detected with orthogonal Gaussian-Hermite moments and the Otsu algorithm,and the knowledge is treated as foreground seeds.Second,the background seeds are generated with distance transformation based on foreground seeds.Third,the foreground and background seeds are treated as extra constraints,and then a mask is generated using graph cuts methods or closed-form solutions.Comparison showed that the closed-form solution based on soft segmentation has a better performance and that the extra constraint has a larger impact on the result than other parameters.Experiments demonstrated that the proposed method can effectively extract moving targets from video in real time.     

一种动态场景下运动对象分割新算法

视频运动对象分割是计算机视觉和视频处理的基本问题。在摄像机存在全局运动的动态场景下,准确分割运动对象依然是难点和热点问题。本文提出一种基于全局运动补偿和核密度检测的动态场景下视频运动对象分割算法。首先,提出匹配加权的全局运动估计补偿算法,消除动态场景下背景运动对运动对象分割的影响;其次,采用非参数核密度估计方法分别估计各像素属于前景与背景的概率密度,通过比较属于前景和属于背景的概率及形态学处理得到运动对象分割结果。实验结果证明,该方法实现简单,有效地提高了动态场景下运动对象分割的准确性。     

A dynamic conditional random field model for foreground and shadow segmentation

This paper proposes a dynamic conditional random field (DCRF) model for foreground object and moving shadow segmentation in indoor video scenes. Given an image sequence, temporal dependencies of consecutive segmentation fields and spatial dependencies within each segmentation field are unified by a dynamic probabilistic framework based on the conditional random field (CRF). An efficient approximate filtering algorithm is derived for the DCRF model to recursively estimate the segmentation field from the history of observed images. The foreground and shadow segmentation method integrates both intensity and gradient features. Moreover, models of background, shadow, and gradient information are updated adaptively for nonstationary background processes. Experimental results show that the proposed approach can accurately detect moving objects and their cast shadows even in monocular grayscale video sequences.     

基于层次HMM的运动目标分割

提出对差分图像用三层统计模型表示的思想：前景运动汽车层、背景运动汽车层和运动阴影层,并分别建立了各层的统计模型,应用HMM对运动图像序列进行模型参数估计,通过模型进行运动汽车分割。HMM利用图像序列帧之间的图像像素空间相关性和时间相关性,从而完成模型参数的识别。通过MAP算法完成模型参数具体化,不但用模型完成图像前景目标的分割,同时在分割中自然区别了背景运动目标和阴影,实现了复杂背景图像的运动汽车分割。实验结果表明方法能够有效地完成分割目的。     

粒子滤波的视频目标跟踪算法研究

目标跟踪是计算机视觉和图像处理的一个重点课题,在视频监控、机器人视觉导航以及智能交通控制中具有广泛的应用前景.通过粒子滤波技术,研究了如何整合颜色特征、前景信息和积分图运算等技术实现视频目标跟踪的粒子滤波算法.在对目标进行分割中采用了混合高斯背景建模方法;同时结合积分直方图的计算方法对颜色特征进行分段统计及相互遮挡的判断,实现基于粒子滤波的目标跟踪算法的优化,解决跟踪中诸如遮挡、光照变化、背景干扰、尺寸变化等难以解决的问题.实验结果表明提出的方法达到了预期目标.     

Layered Representation of a Video Shot with Mosaicing

: This paper presents a motion segmentation method useful for representing efficiently a video shot as a static mosaic of the background plus sequences of the objects moving in the foreground. This generates an MPEG-4 compliant, layered representation useful for video coding, editing and indexing. First, a mosaic of the static background is computed by estimating the dominant motion of the scene. This is achieved by tracking features over the video sequence and using a robust technique that discards features attached to the moving objects. The moving objects get removed in the final mosaic by computing the median of the grey levels. Then, segmentation is obtained by taking the pixelwise difference between each frame of the original sequence and the mosaic of the background. To discriminate between the moving object and noise, temporal coherence is exploited by tracking the object in the binarised difference image sequence. The automatic computation of the mosaic and the segmentation procedure are illustrated with real sequences experiments. Examples of coding and content-based manipulation are also shown. Received: 31 August 2000, Received in revised form: 18 April 2001, Accepted: 20 July 2001     

A Universal Foreground Segmentation Technique using Deep-Neural Network

Multimedia Tools and Applications - Background subtraction is generally used for foreground segmentation (moving object detection) from video sequences. Several background subtraction methods have...