基于模糊聚类的H.264压缩域视频对象分割

鉴于压缩域视频运动分割方法在分割速度上的优越性,提出一种基于H.264的压缩域视频运动对象分割方法,对初始的运动矢量场进行去噪、中值滤波、校正和累积处理,得到更可靠的运动矢量场,用改进的模糊C-均值聚类算法分割出视频序列中的运动对象。实验结果表明,该方法可以快速准确地提取出视频序列中的运动对象。     

一种MPEG压缩域的运动对象快速提取算法

针对目前压缩域直接得到的运动矢量过于稀疏且不可靠,导致运动对象分割精度不高等问题,提出一种适合于MPEG视频流的压缩域运动对象提取算法。它先对MPEG码流进行熵解码得到的运动矢量场进行可靠性度量校正、置密和滤波处理,并采用基于块的区域增长算法得到每个对象的大致运动区域;然后解码属于运动区域的块,并把被还原的每个位置的像素值分布视为高斯分布,用统计的方法建立其高斯模型,通过阈值判断可靠地提取出最终具有像素精度运动对象。仿真实验表明,该算法可以有效地去除运动矢量噪声的影响,分割精度显著提高,并且具有较高的处理速度。对于QCIF 格式的视频码流, 每秒可以处理约50帧。     

结合H.264压缩域和像素域运动目标分割

H.264压缩域运动目标分割算法分割速度较快,像素域分割较为准确。提出一种结合压缩域运动信息和像素域纹理信息的分割方法。在压缩域得到运动矢量场,经过滤波、归一化和运动矢量场累加,得到相对可靠的运动区域,然后采用局部二值模式描述纹理信息,最后再进行精确分割。实验结果表明,在保证分割准确度的情况下,大大提高了分割速度。     

一种基于凸壳的压缩域运动对象快速分割算法

目前在H.264/AVC压缩域分割领域中现有的方法存在时间复杂度高,且分割运动对象不完整的问题,提出一种新的基于凸壳的压缩域运动对象快速分割(CHSTF)算法。该方法主要利用码流中的运动矢量场信息进行分割,即首先利用后向迭代累积对MV进行归一化处理,再利用时空域滤波(STF)算法对运动矢量场进行滤波得到稳定MV场,然后对滤波MV场求解凸壳并对其进行区域填充,最后对其进行优化掩膜达到分割运动对象的效果。本方法着重于快速求得整体运动对象,并获得较好分割精准度。实验表明,通过本方法能够较好地解决上述问题,并且在运动场严重缺失的环境下,相比传统方法,本方法能获得更好的效果。     

基于H．264压缩域的实时运动对象分割算法

在压缩域内直接分割运动对象对于有实时要求的应用而言是十分必要的，H．264以其优越的压缩效率已经在许多应用中逐渐取代了MPEG-2／4，但有关在H．264压缩域内进行运动对象分割的研究还很少。为此提出了一种从H.264压缩域实时分割运动对象的算法，该算法首先对从H．264视频中提取出的原始运动矢量场进行时域和空域的归一化，接着通过对连续多帧的运动矢量场进行累积来增强显著的运动信息；然后对累积运动矢量场进行全局运动补偿，同时利用快速的统计区域生长算法按照运动相似性将其分割成多个区域；最后利用运动矢量场的方向角直方图来判断出属于运动对象的分割区域，以组成运动对象。通过对多个MPEG-4测试序列的实验结果表明，该方法不仅能够从H．264压缩域中实时地分割出运动对象，且具有良好的分割质量。     

基于块划分的HEVC运动目标分割方法

针对压缩域视频的运动对象分割在复杂背景下分割精度不高的问题,提出一种基于最新压缩编码HEVC的运动分割方法。首先从HEVC压缩码流中提取块划分和相对应的运动矢量信息,并分别在帧内和帧间对运动矢量进行空域和时域的标签分类,然后利用MRF模型对标签场进行运动一致性估计,得到更精确的运动目标,最后输出MRF分割后形成的掩模信息。通过实验证明,该运动分割方法能够达到有效并可靠的分割效果,尤其对于多目标运动的视频分割效果优于其他比较的方法。     

基于压缩域信息的立体视频对象分割方法

立体视频对象分割是交互式多视点视频应用的关键技术。为了提高对象分割的时效性和精确性,提出了一种利用压缩域视差和运动信息的立体视频对象分割算法。该算法首先对运动矢量场和视差场进行提取和修正处理,然后对视频帧进行分割作为初始值,最后用均值偏移算法聚类得到最终的对象分割结果。实验结果表明,对于纹理复杂的场景有很好的分割效果,可以获得与语义一致的对象。     

基于EM聚类的H.264压缩域视频对象实时分割算法

从压缩域直接分割视频对象比传统的像素域分割具有快速高效的特点,目前已有不少从MPEG域分割的方法,但从H.264压缩域分割的甚少。为此提出一种基于H.264域的实时分割运动对象方法,该算法先对当前视频帧进行全局运动估计和补偿,然后对4×4的运动矢量场进行分类处理,最后对非零运动矢量使用改进的EM聚类分割算法。本文算法对多个视频序列进行了实验,结果表明,该算法针对静止背景和运动背景的视频序列都能达到较精确的实时分割。     

一种新的基于吉布斯随机场的视频运动对象分割算法

与现有的视频运动对象分割算法不同, 本文提出一种新的基于吉布斯 (Gibbs) 随机场模型的视频运动对象的分割算法, 该算法将运动对象的运动场作为主分割信息, 空间像素值的一致性作为次要分割信息. 该算法首先对运动矢量场进行累加和滤波处理；然后在 Gibbs 运动场模型的势能函数的定义中引入空间相关影响因子, 采用最大后验概率的方法进行分割；最后细化运动对象边缘. 对多个视频序列的测试, 实验结果表明该算法比现有基于光流的分割算法更准确的分割运动对象.     

基于运动相似性的运动对象分割算法

由于全局运动参数在一些情况下不能很准确地被估计,因此基于全局运动补偿算法存在一定的局限性。该文提出了一种基于运动相似性的视频运动对象的分割算法。该算法对运动矢量场进行累加和滤波处理,根据运动相似性对运动对象进行初次分割,并利用空间相关性进行二次分割,细化运动对象边缘。实验结果表明该算法避免了全局运动补偿算法的局限性,并使分割的精确性有明显提高。     

采用特征描述的H.264压缩视频运动分割

H.264视频压缩标准以其优良的压缩效率和编码灵活性得到了广泛的应用。提出了一种基于H.264压缩域的运动对象分割方法,首先从压缩视频中提取运动场,采用加权中值滤波方法滤除运动场的噪声矢量,再运用后向估计的方法重建预测运动场并进行运动场的累积,然后基于幅度、散度和旋度3个运动特征,采用改进的统计区域合并方法将运动对象分割出来。实验结果表明,该方法可有效地从H.264压缩视频中提取运动对象且分割质量较好。     

基于H.264/AVC的压缩域运动对象分割方法

目前大部分压缩域视频对象的分割方法主要面向MPEG系列视频标准,且算法建模复杂。为了解决这一问题,现提出了一种新的基于H.264/AVC的压缩域时空联合运动对象分割（TSMOS）算法。该方法主要利用压缩码流中的DCT系数和运动矢量信息进行对象分割,并首先利用相邻帧DCT系数之差提取运动对象轮廓,同时通过对轮廓进行形态学和抗噪声处理来得到粗糙的运动对象帧差掩码;然后采用运动向量归一化、噪声向量滤除、权值扩展向量中值(WEVM)滤波及前帧分割结果后向投影技术来得到对象的运动掩码;最后通过引入有效机制合并帧差掩码和运动掩码来分割运动对象。实验证明,该算法可取得较好的分割效果。     

应用递归最短生成树算法实现H.264压缩域运动对象分割方法

提出了一种基于递归最短生成树算法的H.264压缩域实时分割运动对象的算法.首先将从H.264编码端提取的运动矢量进行归一化、空间内插,得到稠密运动矢量场,再采用全局运动补偿技术抵消全局运动的影响,最后采用改进的"递归最短生成树"(RSST)算法对稠密运动矢量进行聚类,实现对运动对象的分割.实验结果表明,该算法对视频序列能实现较准确的分割.     

基于压缩传感的视频水印算法

针对压缩域视频流的完整性认证问题,提出了一种基于压缩传感（CS）的视频水印算法。以H.264压缩视频流为研究对象,通过对视频序列的I帧进行压缩传感随机投影,得到少量的测量值,经过量化和置换加密,最后以水印的方式嵌入到P帧具有最大运动矢量幅值的宏块中。认证时,从含水印视频序列的P帧提取水印,并对I帧进行相同的压缩传感随机投影,通过比较测量值的差异,实现对视频的完整性认证。仿真结果表明,该算法具有较好的视频质量,对码率的影响较小,对帧删除、帧插入、重压缩等攻击具有较强的鲁棒性。     

一种压缩域中的快速运动目标提取算法

论文提出了一种工作于MPEG压缩域的快速运动目标提取算法。算法以通过部分解码得到的运动向量和亮度分量的直流DCT系数作为输入,提取P帧的运动目标。首先采用鲁棒性回归分析估计全局运动,标记出与全局运动不一致的宏块,得到运动块的分布;然后将运动向量场插值作为时间域的特征,将重构的直流图像转换到LUV颜色空间作为空间域的特征,采用快速平均移聚类找到时间和空间特征具有相似性的区域,得到细化的区域边界;最后结合运动块分布和聚类分析的结果,通过基于马尔可夫随机场的统计标号方法进行背景分离,得到运动目标的掩模。实验结果表明该算法可以有效地消除运动向量噪声的影响,并有很高的处理速度,对于CIF格式的视频码流,每秒可以处理约50帧。     

基于熵模型的压缩域运动对象检测

随着视频编解码技术的发展,H.264已成为最主要的标准之一。为了能从H.264码流中准确有效地分割和提取出运动对象,提出了一种压缩域下的对象检测算法。该算法主要利用压缩域下对象的运动矢量信息,先对矢量进行中值滤波预处理,目的是为了减少运动估计算法和对象实际运动所产生的误差。然后利用基于熵的原理,建立运动对象在空间和时间上的一致性模型。在该模型基础上,采用最大熵方法自适应获得阈值,检测得到运动对象。实验结果证明,该算法可以获得比较好的检测结果。     

Mean shift clustering-based moving object segmentation in the H.264 compressed domain

This study presents a mean shift clustering-based moving object segmentation approach in the H.264 compressed domain. The motion information extracted from H.264 compressed video, including motion vectors (MVs) and partitioned block size, are used as segmentation cues. The MVs are processed by normalisation, weighted 3D median filter and motion compensation to obtain a reliable and salient MV field. The partitioned block size is used as a measure of motion texture in the process of the MV field. Based on the processed MV field, the authors employ the mean shift-based mode seeking in spatial, temporal and range domain to develop a new approach for compact representation of the MV field. Then, the MV field is segmented into different motion-homogenous regions by clustering the modes with small spatial and range distance, and each object is represented by some dominant modes. Experimental results for several H.264 compressed video sequences demonstrate good performance and efficiency of the proposed segmentation approach.     

Real-time video object segmentation in H.264 compressed domain

In this study the authors proposed a real-time video object segmentation algorithm that works in the H.264 compressed domain. The algorithm utilises the motion information from the H.264 compressed bit stream to identify background motion model and moving objects. In order to preserve spatial and temporal continuity of objects, Markov random field (MRF) is used to model the foreground field. Quantised transform coefficients of the residual frame are also used to improve segmentation result. Experimental results show that the proposed algorithm can effectively extract moving objects from different kinds of sequences. The computation time of the segmentation process is merely about 16 ms per frame for CIF size frame, allowing the algorithm to be applied in real-time applications.