全景视频中多运动对象检测与跟踪方法

全景视频多运动对象检测与跟踪技术的通用解决方案是通过投影变换将360°视频转为二维视频后进行检测和跟踪。然而固定球面投影变换会导致全景视频中存在空间上不连续的投影边界,当运动对象处于投影边界时,常规球面投影方法可能将其切分为多个部分,从而导致该运动对象的漏检或误检。针对该问题,提出了融合等距柱状形投影(equi-rectangular projection,ERP)和立方体投影(cube map projection,CMP)的全景视频多运动对象检测与跟踪方法,利用合适的CMP拼接帧减少ERP两极区域失真并弥补其边界不连续性,解决了处于投影边界和两极扭曲的对象检测问题。进一步,通过感知哈希、球面质心和运动方向等多重特征融合来解决全景视频多运动对象跟踪问题。实验结果表明,提出的方案可以有效减少投影边界不连续导致的误检,且能有效应对遮挡、穿梭帧边界和两极扭曲的对象跟踪问题。

帧差累积和减背景相结合的运动对象分割方法

针对低比特率的多媒体视频序列,提出了一种综合利用帧差累积和背景减法来进行运动对象分割的方法。由一种改进的帧差累积方法得到初步的运动对象区域,通过背景减法得到运动对象区域,把由两种方法得到的运动对象区域相结合取得完整准确的结果,二值化后再经过形态学处理和二次扫描填充即可得到运动对象掩模,用原图像的灰度值填充该区域。实验表明,该方法快速,准确,并有一定的应用价值。

多视频运动对象实时分割及跟踪技术

利用帧间差异积累信息进行自适应背景建模,采用背景差的方法检测视频运动对象区域.设计了一种变系数的空域滤波器,有效地对背景差图像进行了增强,使获得的视频运动对象区域更具有空域连通特性.给出了一种改进的基于Otsu法的自适应阈值化方法,能更准确地对背景差图像进行阈值化.采用形态学边界提取技术对视频运动对象轮廓进行提取.在获得视频运动对象轮廓的基础上,用区域生长法对视频运动对象进行定位,将矩形中心坐标视为视频运动对象的质心坐标.用基于空间欧氏距离最短的方法对每个视频运动对象质心进行关联跟踪并绘制轨迹.试验结果表明,该方法实时有效.

利用相邻帧和背景信息的运动对象检测

运动对象检测是智能视频监控的基础,现有的运动对象检测算法在实时性和检测精度方面仍有待提高,本文在分析相邻帧间的亮度变化基础上,提出了基于三阶中心矩统计分布的背景点阈值计算方法,给出了抗噪声干扰的背景维护模型,最后综合利用时间差分法和背景减法进行运动对象检测,为了提高检测精度使用了形态学的腐蚀与扩张处理.对室内、室外序列以及标准序列的测试结果表明,本文算法速度快、抗噪声能力强,能够检测出被遮挡的运动对象.

视频运动对象的自动分割

视频运动对象的分割技术在运动视觉检测和新的MPEG 4视频编码标准中十分重要 提出了一种运动对象分割算法 该算法采用序列图像帧间差的高阶统计量 (HigherOrderStatistics,HOS)假设检验 ,确定运动对象的位置 ,自动分离运动区域与背景 ;根据三帧序列图像中前后帧差图像灰度边缘重合的部分为中间帧运动对象的边缘来有效地解决运动对象前后帧的遮挡问题 ;采用形态滤波的方法填充分割出的运动对象二值模板中的空洞 ,消除残余噪声及平滑边缘 分析和实验证明 ,该算法需要调整的参数少 ,抗干扰能力强 ,可以高效率地进行运动对象的自动分割 此外 ,该算法具有潜在的并行机制 。

一种简单易行的运动对象分割方法

在兼顾运动图像分割效果和实时性的原则上,提出了一种简单有效的分割方法。首先利用二次帧差的方法求出图像帧的运动区域,去除结果中不准确的小区域,最后利用二次扫描的方法填充该区域。实验证明:利用该方法得到了较好的分割效果并节省了处理时间。

自动分割及跟踪视频运动对象的一种实现方法

随着 MPEG- 4压缩标准的制定 ,分割及跟踪视频运动对象的研究显得极其重要 .在 MPEG- 4视频编码标准中 ,为了实现基于视频内容的交互功能 ,其视频序列的每一帧由视频对象面 ( VOP)来表示 .为了生成视频对象面 ,需要对视频序列中的运动对象进行有效的分割 ;并跟踪运动对象随时间的变化 ,为此提出并实现了一种用于分割及跟踪视频运动对象的时空联合方法 .该方法首先采用连续帧间差的 4次统计量假设检验 ,确定运动对象的位置 ,自动地分离出运动区域与背景区域 ;在运动区域内 ,采用数学形态学的分水线算法来精确地提取运动对象的轮廓 ;最后 ,将提取到的运动对象作为模板 ,对后续的视频序列 ,用 Hausdorff距离度量 ,来跟踪并提取后续帧中运动对象 .实验结果表明 ,该方法能有效地分割和跟踪视频运动对象 ,且能有效减少计算复杂度 ,其调整参数也较少 .

基于运动对象自动检测和查询的监控系统

针对现有的视频监控系统的缺陷 ,提出基于运动对象自动检测和查询的智能视频监控系统 .利用帧间差的 4次统计量的假设验证 ,自动检测运动对象 .用形态学腐蚀和膨胀算子对检测的运动对象的二值图像进行处理 ,以提高检测运动对象的可靠性 ,降低误警率 .为自动跟踪运动对象轨迹 ,提出检测块概念 .依据检测的运动对象和事件 ,建立相应的监控信息标注数据库 ,进而由时间段、运动对象及场景中发生的事件来查询监控信息 ,实现“跳跃”式随机检索监控信息 .实验结果证明提出的方法对实现智能的视频监控系统是有效且健壮的 .

一种基于MPEG压缩域的运动对象分割算法

针对目前视频压缩域中运动对象分割准确率不高的问题 ,提出一种有效的压缩域运动对象的分割算法 .该算法先对运动矢量进行运动累加和中值滤波处理 ,然后利用离散余弦变换 (DCT)系数块之间的相关性对非零运动矢量区域进行校正 .由于在对运动矢量处理的同时加入了空间DCT块的相关性校正 ,因此分割准确率有了较大的提高 .实验统计结果表明 ,对几种不同视频场景中的运动对象进行分割 ,其分割率比现有的算法提高了约 15 % .

基于H.264压缩域的实时运动对象分割算法

在压缩域内直接分割运动对象对于有实时要求的应用而言是十分必要的,H.264以其优越的压缩效率已经在许多应用中逐渐取代了MPEG-2/4,但有关在H.264压缩域内进行运动对象分割的研究还很少。为此提出了一种从H.264压缩域实时分割运动对象的算法,该算法首先对从H.264视频中提取出的原始运动矢量场进行时域和空域的归一化,接着通过对连续多帧的运动矢量场进行累积来增强显著的运动信息;然后对累积运动矢量场进行全局运动补偿,同时利用快速的统计区域生长算法按照运动相似性将其分割成多个区域;最后利用运动矢量场的方向角直方图来判断出属于运动对象的分割区域,以组成运动对象。通过对多个MPEG-4测试序列的实验结果表明,该方法不仅能够从H.264压缩域中实时地分割出运动对象,且具有良好的分割质量。

基于边缘特征的自动运动对象分割

为了准确分割出视频场景中的运动对象,该文提出了一种基于边缘特征的运动对象分割及跟踪算法。首先对相邻帧进行自适应变化检测,得到相邻帧二值差分图像。结合当前帧Canny算子检测的边缘图像,获得运动对象的初始边缘模板。其次对运动对象的运动分为快变和慢变两部分进行跟踪并更新运动对象的边缘模板。最后对运动对象的边缘模板进行数学形态学处理得到运动对象的外轮廓,使用梯度向量流场作为外力的改进活动轮廓算法收缩获得运动对象准确的闭合轮廓曲线。该算法对运动对象的整体运动和局部形变都有很强的鲁棒性,能够得到运动对象准确的轮廓,并且对复杂背景有很好的适应性。

一种新的基于吉布斯随机场的视频运动对象分割算法

与现有的视频运动对象分割算法不同,本文提出一种新的基于吉布斯(Gibbs)随机场模型的视频运动对象的分割算法,该算法将运动对象的运动场作为主分割信息,空间像素值的一致性作为次要分割信息．该算法首先对运动矢量场进行累加和滤波处理;然后在Gibbs运动场模型的势能函数的定义中引入空间相关影响因子,采用最大后验概率的方法进行分割;最后细化运动对象边缘．对多个视频序列的测试,实验结果表明该算法比现有基于光流的分割算法更准确的分割运动对象．

一种从视频压缩码流中精确提取运动对象的快速算法

针对目前大部分视频对象分割方法相当复杂而且计算量大的问题,提出了一种在压缩域粗分割,在空域精细分割的方法。该方法利用压缩域中运动向量进行聚类,得到运动对象的初始分割。将分割模板通过运动参数映射到参考帧I帧,解码初始分割区域进行Canny边缘俭测和边缘跟踪,即可得到精确的对象轮廓.该方法使得处理的数据量保持最小,节约了处理时间并得到了像素级精度的分割对象。

视频序列中运动对象检测技术的研究现状与展望

将运动对象检测技术分为变化检测、运动检测和特征检测三类,介绍了各类技术的思想,对现有方法进行了归类,指出各方法的本质区别,从理论和实验两方面剖析其优势和不足并指出了适用场合。讨论了目前视频运动对象检测技术存在的问题,展望了未来的发展方向。

利用区域变形和背景更新实现运动对象跟踪

从时域统计的角度出发,提出了一种结合自适应混合背景更新模型的区域变形跟踪算法 该算法以模型更新得到的前景 背景二值分割掩膜作为区域特征,将跟踪问题抽象为一个水平集(LevelSet)偏微分方程的数值求解问题,并分析了算法的自适应性为了进一步提高算法的实现效率,引入了窄带跟踪方案实验表明。

视频运动对象分割技术的研究

新的视频压缩标准MPEG-4采纳了基于对象/模型的编码方法,但是对象的分割问题至今仍未得到满意的解决。本文介绍了视频运动对象分割技术的发展概况,重点讨论了其中的关键技术——运动对象的分割与跟踪,并指出一些需要深入研究的问题。

一种时空信息联合的运动对象分割算法

提出了一种在通用视频序列中联合时空信息分割运动对象的算法。首先,提出匹配加权的全局运动估计补偿算法,以消除动态场景中背景运动对运动对象分割的影响。其次,时域信息提取中,使用基于直方图拟合的显著性检测及对称差分法获得运动对象模板,以克服依据经验设定阈值的缺点并且提高运动对象模板的准确性;空域信息提取中,提出基于粘性形态学梯度修正和相邻区域边缘强度合并的改进分水岭分割算法,以较好地解决分水岭算法的过分割问题,获得有效空间区域分割。最后,利用双阈值比重算法将时域和空域信息结合,提取出运动对象。实验表明,该算法分割结果准确,有效地解决了背景运动、时域信息不准确、空域过分割以及时空信息难以有效结合的问题。

摄像机运动情况下的运动对象检测(英文)

在监控应用中 ,由于场景是已知的 ,因此可以使用背景减去法检测运动对象 .当摄像机进行扫描和倾斜运动时 ,需要使用多个图像帧才能完整地表示监控场景 .如何组织和索引这些背景帧属于摄像机跟踪问题 .提出一种无需摄像机标定的背景帧索引和访问方法 .这一方法需要使用图像配准技术估计图像初始运动参数 .提出一种屏蔽外点的图像配准算法 ,综合利用线性回归和稳健回归快速估计初始运动参数 .为了快速计算连续帧之间的运动参数 ,提出一种基于四参数模型的优化算法 .利用非参数背景维护模型抑制虚假运动象素 .

一种视频图像序列中运动对象的分割与跟踪算法

本文提出了一种视频图像序列中运动对象的分割与跟踪算法。该算法通过Canny算子检测出差帧图像的边缘信息,并结合当前帧与背景帧的边缘图像,提取出运动对象。在后续帧中通过建立前帧感兴趣运动对象与当前帧中各运动对象的帧间向量来跟踪当前帧中感兴趣的视频对象。实验结果表明,该算法可行,而且由于该算法简单、计算复杂度小,能很好地满足实时监控系统中对感兴趣运动对象的提取与跟踪。

空间运动对象与时空数据类型研究

当前时空数据模型多以描述空间实体的离散变化为主。该文中对空间运动对象在抽象层次的无限连续空间、离散层次的有限离散空间上的数据类型进行分析和定义,将其分别划分为时间类型、空间类型和时态类型来研究,并提出支持空间运动对象的表示方法和操作方式。该方法既能表示空间实体的连续运动,也能表示其离散变化,为空间运动对象时空数据模型的建立奠定了基础。