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。

一种高效的基于H.264/AVC压缩域信息的全局运动估计方法

本文提出了一种基于H.264/AVC压缩域的高效全局运动估计算法.由于H.264采用了多种新的视频压缩编码技术,使得其压缩码流的运动矢量(MV)场中包含大量噪声运动矢量,可参与全局运动估计的运动矢量相对较少.噪声运动矢量这里指的是与全局运动不相符的运动矢量.为了降低噪声运动矢量的影响、提高全局运动估计的精度和效率,在全局运动估计过程中就必须对噪声运动矢量进行有效的去除.本文利用H.264码流中的运动矢量预测残差(MVD)和运动矢量预测参考块的信息,对噪声运动矢量做了有效的去除.实验的结果验证了本文提出的全局运动估计算法的计算效率和精度.

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视频压缩域运动矢量的目标跟踪

目前,目标跟踪算法大多在像素域进行,即先将视频解码成图像,再用像素域的方法计算,但像素域算法复杂度高、计算量大。在视频编码过程中,产生了对目标跟踪有利的信息,如运动矢量(MV)和DCT系数,而且直接利用压缩域信息进行目标跟踪可减少解码的时间。文章提出了一种基于像素运动矢量的H.264压缩域跟踪算法,与宏块运动矢量算法相比,该算法显著提高了跟踪准确率。

基于脉冲耦合神经网络融合的压缩域运动目标分割方法

针对H.264压缩域内运动目标分割算法所存在的弱自适应性和抗噪能力差等问题,本文提出了一种基于脉冲耦合神经网络的压缩域运动目标分割方法.该方法采用时空域矢量均值滤波对运动矢量进行预处理,减少运动目标丢失率,并设计了前后向矢量累积方法,增强运动矢量的可靠性.基于脉冲耦合神经网络设计的融合模型可以将累积后的运动矢量和宏块模式进行融合处理,增强分割算法的抗噪能力,保证加快分割速度的同时兼顾运动区域的分割准确度.另外,采用最小交叉熵作为点火终止判断条件,实现了最佳分割模板的自适应获取.仿真实验表明,本文算法在自适应性和抗噪能力方面均有较好表现,可以准确分割出监控视频中的运动目标.

基于二维映射关系的视频信息隐藏算法

提出一种新的基于H.264/AVC压缩域的视频信息隐藏算法。该算法利用魔方矩阵建立待隐藏的信息与载体DCT系数之间的二维映射关系,并提出嵌入代价和载体利用率等相关概念来验证此二维映射关系的有效性,从而在载体利用率相同的情况下能够获得比常规一维映射更低的嵌入代价。实验结果表明,该方法具有实用性强、对视频质量影响小等特点。