一种动态场景下的视频前景目标分割方法

视频中运动前景目标的分割是计算机视觉领域的一项关键问题,在视频监控、检索、事件检测等多个方面具有重要应用价值。现有视频前景目标分割技术主要针对静态场景,在动态场景下难以获取良好效果。该文提出一种高斯混合模型与光流残差相结合的前景目标分割方法。该方法使用高斯混合模型建模,提取初步的前景区域;利用光流残差进一步滤除其中动态纹理背景干扰;采用形态学处理获得前景目标。实验显示,与现有方法相比,该方法可更准确地从动态场景中分割出前景目标轮廓。

基于三维椭圆编码本模型的视频前景分割

针对基于编码本模型的前景分割算法处理颜色较暗的区域存在较高的不稳定性,并且对于克服光照变化和前景目标阴影的参数难以调节这两个缺点,提出了一种基于三维椭圆编码本模型的前景分割算法。该算法在RGB颜色空间中建立三维椭圆模型,根据光照环境调节控制光照变化的椭圆长轴和控制噪声影响的椭圆短轴消除阴影和光照变化带来的干扰;依据像素点的颜色值是否位于该三维椭圆外,则将其判为前景目标;同时自适应更新三维椭圆的中心位置以适应背景的光照变化。对比实验表明,该改进方法在处理视频中的较暗区域效果理想,并且参数直观明确易调整,对于准周期性变化的动态背景也能达到较好的分割效果。

基于混合概率背景模型的视频分割方法

提出一种新的基于混合概率模型的背景建模方法,用于视频中前景物体的检测与分割。主要利用两个概率模型:隐马尔可夫模型和概率图模型建立一个混合的贝叶斯网概率模型,对视频输入中背景变化的时间和空间局部相关性(同现性)进行学习。在建立正确模型参数的基础上,贝叶斯信念传播算法根据图像输入预测当前背景状态的后验分布,并根据预测得到的背景状态对输入图像进行分割。实验结果验证了该方法的有效性和在复杂背景变化下的鲁棒性。

一种基于混合概率模型的视频分割方法

该文提出一种新的基于混合概率模型视频分割方法。这个方法主要利用两个概率模型:隐马尔可夫模型和概率图模型建立一个混合的贝叶斯网概率模型,对视频输入中背景变化的时间和空间局部相关性(同现性)进行学习。在建立正确模型参数的基础上,贝叶斯信念传播算法根据图像输入预测当前背景状态的后验分布。并根据预测得到的背景状态对输入图像进行分割,实验结果显示方法的有效性和在复杂背景变化下的鲁棒性。