基于视频图像序列的3-D场景生成方法

平面序列图像的立体化表述和任意视点生成是实现 ３－Ｄ场景的关键技术。利用便携式摄像机沿着不同运动轨迹，连续对目标物体进行拍摄，可获得不同层次的包含有双目视差深度的平面视点序列图像。从获取的序列图像中选择不同的视点，即选择参考帧，利用与参考帧相邻的帧图像，估计参考帧位置的深度信息。采用自适应匹配算法，将各种层次的深度信息分配给图像的不同区域，形成具有不同深度层次的图像深度表示图，建立３－Ｄ观察场景。最后，通过实验对该算法进行了验证。

视频图像序列运动参数估计与动态拼接

本文采用多重分层叠代算法来估计全局运动参数,并提出应用于动态拼接的运动分割新方法,实现既有摄像机运动又有物体运动的视频图像序列自动拼接。我们的方法基本步骤如下:首先进行全局运动参数的初始估计,并且在分层叠代过程中进行区域分类,得到初始运动模板。接着空间分割原始图像,先根据图像的空间属性由底向上分层合并图像空间区域,再利用视频图像时间属性进一步向上合并,得到图像空间分割结果。然后结合初始运动模板和图像空间分割结果,采用区域分类新方法重新对图像空间分割结果的每个区域进行分类。然后根据分类结果逐步精确求解全局运动参数。最后进行图像合成,得到全景拼接图像。我们的方法利用了多重分层叠代的优点,并且充分考虑到视频图像空间和时间上的属性,实现了运动物体和覆盖背景的精确分割,避免了遮挡问题对全局运动参数估计精度的影响。而且在图像合成时我们解决了拼接图可能产生模糊或某些区域不连续等问题。实验结果表明我们的方法实现了动态视频图像序列高质量的全景拼接。

基于视频图像序列的船用雷达目标检测和目标特征参数提取

雷达系统在船舶导航、目标侦察、避碰等方面发挥着重要作用,目前已经成为必不可少的船舶功能设备,雷达视频信号中包含了回波信号的各种特征,通过分析雷达视频信号可以获取被测目标的距离、尺寸等参数。本文基于视频图像序列的船舶雷达系统目标检测和目标特征参数提取方法,重点介绍基于差分图像法的运动目标检测、雷达视频信号的噪声滤波、基于边缘算法的视频图像目标特征提取,最后结合软硬件环境,开发了针对船用雷达的视频图像目标检测系统。

视频图像序列在微机上的播放

本文分析了播放视频图像序列的要求,同时分析了扩充内存规范以及程序使用扩充内存的方法。最后讨论了如何利用扩充内存实现视频图像序列在微机上的连续播放,并给出了一个50帧的视频图像序列在微机上以25帧/S的速率进行播放的例程。

一种基于视频图像序列的车辆跟踪算法

首先对现有的基于视频序列的车辆跟踪技术进行了研究,提出了一种质心跟踪算法,并通过引入连通域搜索增加了该算法的稳定性。实验结果表明,该算法能够十分有效地实现车辆的跟踪,并能保证跟踪的稳定性及实时性。

基于信息融合的视频序列图像中运动目标分割的研究

该文提出一种基于信息融合的方法分割视频序列图像运动目标。在彩色图像分割中,将部分空间信息介入到迭代均值偏移过程,实现无参数聚类。然后利用所提出的求等同标志连通区域的方法,将聚类后的图像划分成不同的独立区域;再利用HOS(高阶统计)方法进行运动检测,经后处理,得到运动目标粗模板。统计这个运动粗模板中等同颜色区域占原图像相应独立区域的比重,比重超过预置阈值的,则将该独立区域作为待融合区域。最后,将所有的待融合区域连接起来,就构成了运动目标模板。

2.5维数字图像序列稳定方法

本文提出了采用2．5维帧间运动估计和以惯性运动模型为基础的运动滤波器新方案结合的数字图像稳定方法．具体的快速算法实现中集成了多分辨率金字塔图像运动匹配和仿射变换图像矫正，可以快速准确地消除图像序列中由于摄像机载体运动不平稳造成的抖动．实验结果表明，这个算法在仅仅使用通用低档个人计算机时达到的指标与已有算法在专用并行图像处理机上所达到的相当．

视频序列中消除异常点的SRR鲁棒算法

提高超分辨率图像重建效果一个重要因素是减小数据"异常点"的影响。介绍了LMS算法在超分辨率图像重建中的应用,在这种算法的静态模型基础上,提出了一种重建视频图像序列过程中消除"异常点"影响的方法。在考虑配准误差的条件下,这种方法可以适用于实际应用中的瞬态和稳态相位的图像。

基于辅助信息嵌入的视频图像鲁棒性传输方法

提出了一种增强无线网络环境下视频图像传输差错恢复能力的新方法。利用改进的DCT系数强制奇偶修改方法将辅助信息嵌入到视频图像中,用于解码器端完成视频图像序列差错检测、再同步、差错恢复,以增强H.263+标准解码器的差错恢复功能,获得更好的图像重构质量。实验仿真结果表明此方法可以在不额外增加信源传输码字的前提下,有效地改善传输质量。

视频序列客体分布阵集成检测分层技术

视频图像序列按客体分层在很多领域都具有重要的应用,通常,视频图像可分为背景客体和其它目标客体。本文根据场景视频图像序列中不同客体的特性,针对背景客体研究了分布阵集成检测分层技术,采用两级模式识别及多帧加权估计。实验表明该技术具有很好的分层效果,提高了客体分层的可靠性,极大地抑制了噪声。

基于图像视频序列分析的乒乓球机器人击球轨迹预测方法

为提高对乒乓球机器人击球轨迹的分析能力,提出并设计一种基于图像视频序列分析的乒乓球机器人击球轨迹预测方法。先对乒乓球机器人击球轨迹的图像视频序列进行采集,然后依据采集的图像视频序列进行乒乓球机器人击球轨迹动态点跟踪融合,得到其击球轨迹,最后构建乒乓球机器人击球轨迹的帧采样序列重构模型,通过空间视觉信息增强的方法,进行图像视频序列的结构参数检测,使用梯度下降法进行区域像素点检测,根据像素跟踪结果实现对机器人击球轨迹的预测。测试表明,采用该方法进行乒乓球机器人击球轨迹预测的精度为98.7%,预测耗时低于11.3 ms,优于对比方法,提高了对击球轨迹的动态预判能力。

Bayer彩色序列图像的电子稳像

提出了一种适合Bayer彩色序列图像的电子稳像方法。该方法根据Bayer彩色图像特点,通过色彩还原和RGB至YCbCr颜色空间的变换,将Bayer彩色图像转换为灰度图像。采用灰度投影算法估计两幅图像之间的运动量;通过计算灰度图像在水平和垂直方向的投影特征数据,构造当前图像和参考图像投影数据之间的相关函数;依据最小误差匹配准则,估计两幅图像之间的水平和垂直位移量。为解决传统补偿算法在处理奇数运动量时的颜色失真问题,基于双线性插值算法构建了适合Bayer彩色图像的运动补偿算法。最后,对Bayer彩色序列样本图像进行了色彩还原和图像稳定实验。结果表明,本文方法可以实现像元级运动量检测,运动补偿后的序列图像峰值信噪比优于40db。实验显示,本文方法可行且有效,适合Bayer彩色序列图像的运动估计和运动补偿,可以实现序列图像的稳定输出。

自动视频内容分析综述

1.概述 多媒体技术和网络技术的向前发展导致了大量视频信息的出现,如何对这些视频信息进行有效的组织、管理和检索便成了一个重要的研究课题.视频媒体是一类二进制巨型对象(BLOB对象),它拥有巨大的数据量,但内容却有很大的冗余.数字视频通常被当作一种不透明的线性比特流进行处理.例如,为了查找一场足球比赛中的所有射门镜头,就需要对视频内容进行从头到尾的浏览.

基于改进TLD算法的视频目标跟踪

视频目标跟踪受到姿态、相似背景和遮挡等因素干扰,导致传统跟踪学习检测(TLD)算法无法实现视频目标准确跟踪。为解决传统TLD算法的局限性,获得理想的视频目标跟踪结果,提出基于改进TLD的视频目标跟踪算法。采用卡尔曼滤波器对目标区域进行预估,减少目标检测范围,采用L1跟踪器代替传统TLD算法的跟踪器,在Matlab 2014平台上进行视频目标跟踪仿真实验,实验结果表明,相对于传统TLD跟踪算法,改进TLD算法解决了目标遮挡和漂移难题,提高了视频目标跟踪精度,加快了视频目标跟踪的速度,增强了相似背景的视频目标跟踪性能。

基于条形图的全景图像拼接

传统的全景图像(PanoramicImage)拼接方法是选取一幅图像作为参考图像,其它图像同参考图像对齐、变形、整幅图像拼接生成全景图.这种方法由于累计误差使拼接后的全景图像失真(Distortion)情况严重;重叠区域大,相邻图像融合较复杂.本文介绍一种基于视频图像序列的条形图拼接方法,该方法克服了传统拼接方法的缺点,而且计算简便、快速.

基于视频的人体行走状态分析

提出了一种基于多视角的人体行走状态分析方法.首先,利用基于自适应背景更新的背景差分法检测出运动人体;其次,利用4向链码提取人体上半身质心运动轨迹的周期;最后,通过训练不同运动状态的周期得到对应的模糊集,根据隶属度函数判别慢走、走和跑3种运动状态.实验结果表明,该方法能够准确分析人体运动速度并判断其运动状态,并且对背景噪声、视角变化有良好的鲁棒性.

局域网中实现AVI视频实时操作

在局域网有关AVI文件视频流的实时操作中,如何获取AVI视频流,利用系统压缩管理器实现视频压缩,实现视频图像的快速显示等问题,并具体讨论了在利用UDP协议进行数据传输时平滑突发数据流、恢复接收数据包的次序等问题。

改进SIFT小型无人机视频序列图像自动拼接方法

针对小型无人机视频序列图像视点离散、视角变化有一定运动规律的特点,本文结合Harris特征点和SIFT特征向量的优势,研究实现图像的自动配准;并采用光度对准的方法和加权平均的方法消除光度差异,较好地实现了视频序列图像的无缝拼接。实验证明该方法在图像拼接的准确性、效率等方面较经典的SIFT算法有较大提高。

视频会议图像序列中含人脸的前景分割

人脸是一个非刚体 ,其运动分割一直是一个难点 .在首先建立色度和象素点运动矢量幅值一致性的区域分割的基础上 ,通过运用考虑到模型失败的运动模型图像分割技术 ,从而得到含人脸的前景分割 .新的算法可以准确地将包含人脸的前景与背景分开 .实验结果显示了算法的有效性 .

基于多列深度3D卷积神经网络的手势识别

传统2D卷积神经网络对于视频连续帧图像的特征提取容易丢失目标时间轴上的运动信息,导致识别准确度较低。为此,提出一种基于多列深度3D卷积神经网络(3D CNN)的手势识别方法。采用3D卷积核对连续帧图像进行卷积操作,提取目标的时间和空间特征捕捉运动信息。为避免因单组3D CNN特征提取不充分而导致的误分类,训练多组具有较强分类能力的3D CNN结构组成多列深度3D CNN,该结构通过对多组3D CNN的输出结果进行权衡,将权重最大的类别判定为最终的输出结果。实验结果表明,将多列深度3D CNN应用于CHGDs数据集上进行手势识别,识别率达到95.09%,与单组3D CNN及传统2D CNN相比分别提高近7%,20%,对连续图像目标识别具有较好的识别能力。