基于背景建模和前景建模的红外运动检测

为抑制了红外图像信噪比低、非静止背景等引起的虚警产生,将基于背景建模和前景建模运动检测(BM-FM)算法引入红外面目标检测中;为抑制因目标与背景对比度低引起的部分目标区域漏检,提出了基于空间邻域信息的前景建模方法(SNFM),利用前一帧图像在像素点邻域内的前景目标点为样本,用核密度估计进行前景建模。试验表明了基于该前景建模方法的BM-FM算法的有效性。

基于低秩-稀疏联合表示的视频序列运动目标检测（英文）

对于固定摄像机的视频序列,假设背景具有低秩特征,动态前景具有稀疏特性,提出了一种基于低秩稀疏联合表示的运动检测方法。思路如下:通过图像预处理降低视频序列的噪声;估计连续帧之间的光流,生成二进制运动掩模作为运动权重矩阵;基于子空间学习理论,建立了低秩背景与稀疏前景的优化模型;利用ADMM-BCD迭代算法得到视频背景和前景。实验结果表明,该方法优于其他同类运动检测方法,对慢速运动目标检测效果良好。

一种融合预测过采样的运动目标检测算法

为了改善运动目标检测的精度,提出了一种融合了预测过采样的运动目标检测新方法。首先,基于二维傅里叶变换预测当前帧的目标形状并计算形状相似度;然后,从历史检测结果中选择一定数量的参考帧,使用光流法跟踪目标像素点在参考帧与当前帧之间的运动轨迹,并以像素点轨迹为参考在采样区间执行稠密过采样;最后,基于过采样样本构造前景模型,并在图分割框架内联合使用前景背景模型实现目标检测。在公共数据与自采数据集上对所提方法进行了实验验证,结果表明,相对于经典的运动目标检测算法,所提方法能够有效提高检测精度。

改进GAN网络在生成短视频的应用研究

在研究生成对抗网络(GAN)生成动态图像时,经常出现前后帧图像内容中的部分物体颜色不一致和生成的细节不自然等问题。针对当前生成视频的不理想问题,采用的主要方案是分别对GAN网络中的生成器和判别器进行改进,具体表现在两个方面:一方面是在生成器中对视频的前景和背景分别建模,并且使用多重空间自适应归一化(Multi Spatially-Adaptive Normalization,M-SPADE)算法;另一方面是在判别器的选取上使用双视频判别器(DVD-GAN),然后在Kinetics-600数据集进行训练,实验后的结果分别比对F-Vid2Vid,WC-Vid2Vid等生成方法。实验结果证明了对GAN网络改进的方法在处理生成短视频的前后帧颜色不一致的问题和细节上有着不错的效果,生成的图像相对的更加清晰。