基于动态背景的视频图像运动检测

在动态变化背景下,实际视频图像运动检测受到光线很大的影响。本文把帧差绝对值法改进成三帧差法,并提出基于三帧差法和背景减除法相结合的运动目标检测和自适应背景更新方法——动态三帧差法。它采用了动态更新策略,能够在正确获得运动目标区域的同时有效地抑制背景渐变的干扰。通过动态背景下检测运动飞机的实验结果,证明该系统性能稳定,检测效果较好,满足实时系统的要求。     

体育运动视频图像基于聚类提取算法的研究

针对在同一场景下获取的体育运动视频序列,提出了一种基于累积帧差交集聚类提取运动员对象的算法。首先进行预处理,然后通过采取将两类帧差结果交集聚类的方法,并用中值滤波和形态学方法提取处理差值图像,得到运动前景对象。实验结果表明,该算法计算量较小、复杂度较低、实时性较高,能够获得较好的分割效果。     

一种快速压缩视频数据的镜头转换检测

对于视频索引的建立来说,视频分割是一项基本的工作。一般认为视频的基本单元是镜头,这篇文章提出了一种新的检测镜头转换的算法,它基于MPEG压缩视频数据的处理。这种算法利用了隐含在压缩数据中的信息,即各帧所含信息的参考比例确定帧与帧的相似性,如果一帧和它相邻的帧相似程度低,镜头转换就被检测到了,考虑到两帧之间视频内容的动态变化,设计了一个变化的函数来提高镜头变化检测的准确性,实验结果证明这种算法是完美的。     

基于多时间尺度的深度学习行为识别研究

卷积神经网络在图像领域取得的成功,也促使图像域的方法和卷积神经网络结构扩展到视频域,推动了包括视频行为识别在内的视频域任务的发展。虽然卷积神经网络在行为识别方面得到了不错的成绩,但是就目前来看,卷积神经网络的深度信息都来自于单时间尺度,比如单一视频帧、一定数量的视频帧叠加的堆叠帧或者是一段视频以固定长度分割等。但是从实际来看,一个实际行为的判断应该包括不同时间尺度的信息,所以用于行为识别的视频帧也不应该是单时间尺度的视频帧。所以本文的中心思路是利用多时间尺度来进行行为识别。     

视频帧色差突变图像的背景检测参量提取

对视频帧中运动目标提取是计算机视觉研究的重点课题,对视频帧色差突变图像的背景检测常受到背景色差干扰,目标检测性能不好。提出一种基于视频序列的双背景建模的视频帧色差突变图像的背景检测和参量提取算法,背景建模加入了光照突变处理机制,进行色差补偿。计算视频帧差背景内的突变信息感知概率和统计概率,对视频图像进行滑动平均建模,采用模极大值法进行边缘检测,得到基于灰度方差的视频帧色差稳定性检测的判别函数。将当前帧与背景帧相减,建立滑动平均背景模型,提取其背景差异性特征参量。仿真结果表明,该算法的检测性能较好,当背景发生变化时,如光照突变、人群数目突然增大时,具有较好的背景检测性能,处理光照突变方面的图像平滑性较好。     

融合半监督及无监督算法的视频前景对象自动分割

为了提高视频前景对象分割的效率,设计了一个融合半监督及无监督算法的视频前景对象自动分割方法。计算视频帧中超像素,建立视频前景模型更新机制用来调节阈值和环境复杂性。将鬼影作为视频背景进行分类,同时更新背景模型,建立前景的统计图谱,对背景的相似度进行了二次判别。检测视频前景对象阴影,在此基础上,建立象素级别的交叉熵损失函数,对候选区域集成。采用融合半监督及无监督算法对视频前景对象自动分割,以此实现融合半监督及无监督算法的视频前景对象自动分割。实验对比结果表明,此次研究的视频前景对象自动分割方法有效提高了分割效率,并提高了分割全局正确率以及分割轮廓精准度,满足了视频前景对象自动分割需求。     

视频分割算法综述

随着各种电子设备的普及,视频在人们日常生活中扮演的角色越来越重要,被广泛应用于医学影像、智能交通管理、网络教育、视频监控等领域。视频分割是为了提取视频中用户感兴趣的实体,即视频对象。经过分割后的视频,存储、传输和交互式应用更为方便。基于视频分割技术的现状,介绍了视频分割的主要技术,并对未来视频分割技术发展进行了展望。     

一种基于北景重建的运动目标检测方法

本文采用改进的背景差法,改变使用多帧序列图像求平均值产生背景图像的方法,利用序列图像的统计信息进行背景重建,对当前视频帧与背景帧的灰度差值图像使用Otsu方法进行二值化处理,产生标记图像以确定运动目标区域,进一步得到运动目标。     

跳水运动视频中的运动目标分割

针对跳水运动视频中的人体运动目标分割问题,提出一种简单有效的基于颜色特征运动目标检测及分割算法。首帧进行图像预处理,利用色相和亮度两个分量加强颜色差异,然后使用OTSU算法对图像进行阈值分割。结合RGB颜色空间启发式肤色聚类结果确定运动目标所在的连通区域,最终完成首帧运动目标的自动检测。有效地克服了复杂背景变化的影响,能够快速实现跳水运动目标的分割,且对运动对象的快速整体运动有较强的鲁棒性。     

基于模糊分类的视频对象分割

本文提出了一种基于模糊分类的视频对象分割算法,确定了运动变化区域和相对噪声区域的隶属度函数,在确立的模糊分类准则函数的基础上通过寻优计算得到最佳划分,从而检测出运动变化区域,并结合当前帧的边界特征生成视频对象。     

基于改进的OTSU算法的视频处理

针对跳水运动视频中的人体运动目标分割问题,提出利用颜色信息进行运动目标检测和分割的算法。首先采用色相和亮度两个彩色分量加强图像中的颜色差异,使用OTSU算法对图像进行阈值分割,同时结合RGB颜色空间启发式肤色聚类,确定运动目标所在的连通区域,从而完成首帧运动目标的自动检测。在后续帧的处理中,以数学形态学方法进行自适应运动区域预测,运用改进的OTSU算法,提高了分割速度。实验表明,本方法有效地克服了复杂背景变化的影响,能够快速实现跳水运动目标的分割,且对运动对象的快速运动有较强的鲁棒性。     

基于H.264运动估计的信息隐藏与提取

在H.264/AVC标准中的帧间预测阶段,根据1/4像素精度运动估计过程,将分割块的最佳匹配位置与二进制信息相互映射,通过修改分割块的最佳匹配位置实现信息隐藏。在解码端通过判断当前块的最佳匹配块,进行信息提取。隐藏过程中只对最佳匹配位置修改1/4像素距离,对视频质量影响较小。实验结果表明此信息隐藏方式,对视频性能产生的影响较小。     

基于块匹配的视频帧间运动估计算法研究

运动估计是预测视频帧序列的关键办法,通过运动估计所得的视频帧间的运动矢量是衡量运动估计效果的重要评价标准。本文首先介绍了基于块匹配的预测点选择办法,然后对比了全搜索、三步搜索法、菱形搜索法几种常用搜索模板的性能优缺点,为将来的进一步研究打下了基础。     

续航里程约束条件下低空无人机高像素监控高速公路研究

无人机技术发展愈发成熟,具备高机动性及视角范围广等特点,在民用领域得到广泛应用,尤其是用于交通监控等。在续航里程约束条件下,提出以视频交通监控平台为基础运用无人机高像素监控高速公路实现智能化管理。利用以特征为基础的视频稳像方法及光流法相结合方法对运动目标车辆检测。采用视频稳像方法对参考帧及匹配帧间的特征点进行获取,经过特征点匹配过程找出参考帧和匹配帧间转换关系,将动态目标变化为静态目标检测问题;利用光流法对运动车辆实行检测,实现在不同背景及不同分辨率条件下有效识别出运动车辆的目的。基于视频交通监控平台,将图像质量测评引进无人机视频监控模式中,依据图像质量及缓冲区实际条件,实时调整图像编码帧率和分辨率,确保输出图像质量及视频流稳定性。实验证明,运用低空无人机监控平台可实现高速公路远程管理目标。     

自适应黄金分块SVM的运动视频特写镜头提取模型

为了提高在海量的视频中检索关键视频的准确性,本文针对图像帧中不同类型镜头的区别,提出了一种自适应黄金分块SVM的视频特写镜头提取模型。首先通过用户交互获取logo模板,并通过logo模板匹配精确定位视频中的慢镜头,然后再通过突变镜头检测进一步分割正常比赛部分镜头,并采用自适应的场地色提取算法,结合黄金分块法并利用SVM分类器将正常比赛镜头进一步的划分。模型实例仿真实验结果表明,本文方法对于慢镜头、远镜头、中镜头、特写镜头的检测与识别均取得了较好的效果,相对于贝叶斯分类器和K近邻算法,在查全率和查准率方面均有所提高。     

一种基于Kalman滤波器的运动目标检测和跟踪算法

视频或图像序列中的运动目标检测与跟踪已成为计算机视觉领域研究的重要方向之一。本文实现了视频序列中的运动目标检测,使用了背景差法和帧间差分法检测到运动目标并进行了优化。Kalman滤波器是一种在时域内采用递归滤波的方法对系统状态进行最小均方误差估计的方法,本文提出利用Kalman滤波器实现运动目标跟踪中的形心跟踪的方法,可以准确预测到运动目标的一下个状态,得到良好的跟踪效果。     

室外场景运动目标检测及分类算法研究与设计

本文首先在室外场景中使用固定摄像头采集视频。对视频做图像预处理操作。其次对比运动目标检测中常用的三种方法--背景差分法、帧差法和光流法。在此基础上提出了改进的混合高斯背景建模方法,初步检测出运动目标。对运动目标做形态学处理,准确地检测出运动目标。运动目标分类方面,结合长宽比、离散度和占空比等特征对运动目标进行分类,准确地将运动目标分为行人和机动车。     

实时视频监控系统中一种快速运动目标检测算法

介绍了一种快速运动目标检测算法。该算法针对当前运动检测算法的不足,以背景消减和时域差分为基础,快速完成视频帧的背景提取、背景更新、运动目标检测,很好的满足了系统对时间的限制。结果表明,该方法是比较实用的,能满足实时视频监控系统的要求。     

浅谈视频采集丢帧现象及解决方法

简要分析采集中视频丢帧的原因,探讨视频丢帧的解决方法。     

一种结合背景聚类的快速前景分割的Vibe目标检测算法

针对视频中提取出完整运动目标,提出了一种结合背景聚类的快速前景分割的Vibe目标检测算法。首先通过Vibe目标检测算法初步找出当前帧中的所有存在的目标前景区域;然后进一步的选择从而滤去无效前景区域,合并有效区域;最后结合背景聚类的快速前景分割算法来分割出更加完整的目标前景,实验结果表明,本算法与传统的背景建模方法相比,达到了很好的检测效果。