基于改进的tMHI的实时视频运动目标检测及跟踪

提出了一种对视频图像进行实时目标分割及跟踪的新方法。该方法利用基于时间片的运动历史图像(tMHI)的灰度阶梯轮廓,对存在的子运动区域进行包围划分并予以标记,实现视频图像中运动目标的实时分割,进而将每帧tMHI图像中各个运动区域同场景中运动目标连续关联起来,实现对多运动目标的轨迹跟踪。为了提高分割质量,对tMHI进行了改进处理,去除了大部分噪声干扰,取得了明显的改善效果。实验表明,该方法可以有效地分割并跟踪视频中的多个运动目标,鲁棒性好,检出率较高,并且处理速度较快,达到了实时性的要求,还解决了局部粘连的问题。

运动目标检测与跟踪算法的改进与实现

提出了一种对视频图像中运动目标检测并进行实时跟踪的新方法。该方法利用基于背景建模的背景差分与改进的带时间戳的运动历史图像(tMHI)的目标分割相结合的算法对运动目标进行检测,在获取到视频流中的运动目标轮廓后使用基于tMHI的运动梯度算法来实现运动目标的跟踪。实验结果表明,该方法能够对指定区域内的目标进行有效识别和准确跟踪,并且弥补了运动目标暂时性停止时无法检测出来的不足。

基于显微图像序列的细胞形态变化分析

目的细胞的形态变化与细胞的生理特性密切相关,其定量的描述和分析对探究生命的生理或病理状态过程有重要意义。本文基于显微图像序列提取细胞形态的动态变化信息,以实现对细胞不同形态变化的定量描述及分类。方法采用运动历史图像和局部二值模式分别提取细胞轮廓和内部运动信息,并使用一系列不同尺度的时间窗口将上述特征映射为多时间尺度的特征矢量,再采用支持向量机对细胞的不同形态变化进行分类。通过对4组不同形态变化等级的小鼠淋巴细胞图像序列进行分类实验,以验证本方法的分类效果。结果对形态变化由缓慢到剧烈的4组淋巴细胞视频,分类精确度达到75%,能有效区分不同程度的细胞形态变化。结论与径向距离、Zernike矩、傅里叶描述子等常用的形状描述方法相比,本文方法更加全面地描述了细胞形态变化的动态信息,对细胞的多样性运动具有更好的适应性和稳定性。对细胞形态变化的分类,可用于异常细胞形态变化的检测,为疾病的早期诊断提供了客观依据。