自动分割视频运动目标的一种实现方法

基于速度特征矢量提取运动目标的图像分割方法

第20卷　第3期2000年6月北京理工大学学报 J o urnal of Beijing Institute o f Technolog y V o 20　No.3Jun.2000 文章编号:1001-0645(2000)03-0347-05 基于速度特征矢量提取运动目标的图像分割方法李冬霞,　曾禹村 (北京理工大学电子工程系,北京　100081) 摘　要:研究基于速度特征矢量提取运动目标的图像分割方法.根据目标图像像素移动的一致性,在序列图像中利用块匹配法进行帧间图像配准,得到目标图像块的速度估计,将具有相同速度矢量的目标图像块聚类,即可分割出运动目标.仿真实验结果表明,该方法能有效地对复杂背景下的运动目标图像进行分割,并具有较好的抗噪能力.关键词:运动目标检测;图像分割;块匹配;速度特征矢量中图分类号: TN 957.53 文献标识码:A 收稿日期:19991005 作者简介:李冬霞,女,1971年生,博士生. 理想情况下,具有运动目标的图像序列相邻图像帧间背景几乎不动,目标像素是作为一个整体相对于背景平移运动的,因此可以利用目标的速度特征将其从背景中提取出来.一般以二维位移偏移量(d x ,d y )作为目标运动速度的描述,常用的运动估计算法有像素递归法 (recursive algo rithm )和块匹配算法(block -ma tching alg orithm )[1,2].像素递归法计算量大,计算过程复杂,不易达到实时分割的要求.作者采纳块匹配算法,证实了该算法的有效性. 1　运动目标的速度估计块匹配方法是一种相关分析方法,它是把一帧实时图像分为若干个大小相等的子图像块,将每一子图像块作为模板在相邻参考帧图像中一定搜索范围内进行相关计算,根据匹配准则,找出最优匹配位置.该位置对应的二维位移偏移量(d x ,d y )即可作为模板子图像块运动速度矢量的估计值 [3] . 1.1　匹配准则匹配准则是衡量帧与帧之间两个子图像块相似程度的准则函数.可以用子图像块之间的二维互相关函数N (D )作为准则函数,其定义为 N (D )=R S K S K -1(D ) R S K S K (0)R S K S K -1(D ), (1) 其中 R S K S K -1(D )=E [S K (x ,y )S K -1(x -d x ,y -d y )]. 为减少计算量而又保持一定的匹配精度,也可采用子图像块间对应像素绝对差值即均值

数字视频处理论文

分割视频序列中行人的方法综述为了检测行人的任务，人们通常需在执行具体的行人检测算法前对目标图像进行一些有效的预处理。视频图像预处理可以去除或减少视频图像中的噪声和杂波，提高传输给主处理器的图像质量和信噪比，减少需处理的数据量。一般的图像预处理思路可归纳为：通过对原始视频图像进行某些操作，如从空间域或频率域进行某种变换或计算，增强图像中潜在的行人目标，抑制图像中的背景杂波和噪声，提高目标的检测概率，降低虚警概率，从而改善系统的总体性能。现已提出了多种目标图像预处理方法，且这些方法是各具特点的。如在空间域中有：高通模板滤波、中值滤波、数学形态学滤波和局部标准差滤波等；在频率域中有：理想高通滤波、Butterworth高通滤波、高斯高通滤波和小波模预处理方法等。1 视频序列图像的目标检测算法从历史上来看，各国研究人员都提出了多种检测算法并获得应用，这些方法的分类也相互不同。首先最简单的分类，考虑到检测算法中使用到的被测图像序列帧的数目，可分为单帧检测算法和多帧检测算法；然后考虑到检测算法执行时被测目标的状态，可分为运动目标检测和静止目标检测；最后，可根据整个系统运行时检测过程与跟踪过程的前后顺序可以分为“先检测后跟踪”算法（即DBT 算法，Detect Before Track）和“先跟踪后检测”算法（即TBD算法，Track Before Detect）。“先检测后跟踪”（DBT，Detect Before Track）算法，主要有自适应运动检测方法、差分法、小波变换方法和光流法等，主要是先利用目标的像素检测出目标，然后计算得到目标的运动轨迹；“先跟踪后检测”（TBD，Track Before Detect）算法，主要有多级假设检测的方法、动态规划方法和基于高阶相关的方法等，主要是先进行一次扫描后，并将结果存储，然后对假设轨迹包含的点做相关的处理，使得没有信息损失，经过一段时间，得到检测结果与目标轨迹。根据目前公开发表的文献中介绍，此处我们将目标检测算法分为“先检测后跟踪（DBT）”类检测算法和“先跟踪后检测（TBD）”类检测算法两大类来研究。 1.1 典型的DBT目标检测算法经典的DBT目标检测算法较为清晰分解了单帧目标初检测和多帧目标确定这两项任务，所以从宏观上说，将不同的图像预处理及单帧目标分割算法与不同的多帧目标运动轨迹确定算法组合起来，就可以构成适合于不同具体研究对象的DBT目标检测算法。

图像分割的阈值法综述

图像分割的阈值法综述（武汉理工大学信息工程学院）摘要：图像分割是由图像处理到图像分析的关键步骤，也是一种基本的计算机视觉技术。这是因为图像的分割、目标的分离、特征的提取和参数的测量将原始图像转化为更抽象更紧凑的形式，使得更高层的分析和理解成为可能。阈值分割法是图像处理最基本的分割方法，它具有计算量小、实现简单等优点，在图像分析和识别中起着重要作用。图像阈值化就是按照灰度级，将图像空间划分成与现实景物相对应的一些有意义的区域，各个区域内部灰度级是均匀的，而相邻区域灰度级是不同的，其间存在边界。它的划分可以通过从灰度级出发，选取一个或多个阈值来实现。关键词：图像分割；阈值 Abstract:Image segmentation by image processing to image analysis of the key steps, is also a basic computer vision technology. This is because the image segmentation,object separation, feature extraction and the parameters in the original image into a more abstract and more compact form, making more high-level analysis and understanding possible. Threshold segmentation method is the most basic image processing segmentation method, which has computation, and simple to achieve, in image analysis and recognition play an important role. Image threshoiding is in accordance with the gray level, the image space is divided into scenes with reality that corresponds to some meaningful regions, each region within the gray level is uniform,while the adjacent region of gray scale is different, there remain boundary. It’s divided by starting from the gray level, select one or more threshold values to achieve. Keywords: Image Segmentation; Threshold Values 1 研究背景在对图像的研究和应用中，人们往往仅对图像中的某些部分感兴趣，这些部分称为目标或前景（其他部分称为背景），它们一般对应图像中特定的、具有独特性质的区域。为了辨识和分析目标，需要将他们分离提取出来，在此基础上才有可能对目标进一步利用。

数字视频中文字分割算法的研究

万罡周洞汝崔永毅傅华胜（武汉大学计算机信息学院，武汉<#""=!）摘要文章对三种文字分割算法，包括基于阈值的二值化算法、基于分裂/ 合并的算法和基于纹理的算法，进行了分析、实验与评价，最后提出一种边缘检测— —投影— —局部区域二值化的文字分割算法，并给出与前面一些算法的比较。关键词文字分割阈值分裂/ 合并边缘检测文章编号0""!6>##06（!""#）"!6"0"#6"#文献标识码? 中图分类号@A#B0 !"#$%&’"()*+,&-."(/&0 1)2"!),/)’"3".&’.’4.,."3+5.$)& 63’73’,8(&’,-#9#. :&’,%.;#<#3=()’, （C)D’:,&)+,.E F.&D G,):*H-)+H)，I G8’+J+-K):;-,L，I G8’+<#""=!） *>="-3?"：%+,8-;,8);-;，,8:))M-EE):)+,’5(.:-,8&.E,)N,;)(&)+,’,-.+，-+H5G M-+(,8:);8.5M6O’;)M’5(.:-,8&，;D5-,,-+(/ &):(-+(O’;)M’5(.:-,8&’+M,)N,G:)O’;)M’5(.:-,8&，’:)’+’5L P)M’+M)K’5G)M，,8)+，,8)’G,8.:;O:-+(’+)EE-H-)+,,)N, ;)(&)+,’,-.+’5(.:-,8&’;E.55.Q，E-:;,，’+)M()M),)H,-.+ R D:.S)H,-.+O’;)M&),8.M-;G;)M,.(),,)N,:)(-.+;，;)H.+M，,)N,:)(-.+;’:);)(&)+,)M OL ,8:);8.5M6O’;)M&),8.M$ @)%A&-$=：@)N,;)(&)+,’,-.+，@8:);8.5M，*D5-,,-+(/ &):(-+(，T M()M),)H,-.+ 文字分割的本质是图像分割（%&’()*)(&)+,’,-.+）。图像分割是计算机视觉领域中极为重要的内容之一，是实现自动图像分析时首先需要完成的操作。它是根据图像的某些特征或特征集合的相似性准则，对图像像素进行分组聚类，把图像平面划分为一系列“有意义”的区域，使其后的图像分析、识别等高级处理阶段所要处理的数据量大大减少，同时又保留有关图像结构特征的信息。尽管对图像分割算法的研究已有几十年的历史，依据各种理论，至今已提出了上千种类型的分割算法，但是它们大都是针对具体问题的，目前还没有通用的分割理论和算法。下面将对三种文字分割算法，包括基于阈值的二值化算法、基于分裂/ 合并的算法和基于纹理的算法，进行分析、实验与评价，并提出一种边缘检测— —投影— —局部区域二值化的文字分割算法。有关，则所得的阈值是与坐标相关的（即动态阈值，前两种阈值对应可称为固定阈值）。以上对阈值分割方法的分类思想是通用的。近年来，许多取阈值分割方法借用了神经网络、模糊数学、遗传算法、信息论等工具，但这些方法仍可归纳到以上三种方法类型中。 0$0阈值的灰度图像二值化在利用单阈值方法来分割灰度图像时一般都对图像有一定的假设。最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，且目标和背景象素在灰度值上有很大的差别。对于这类图像，它们的灰度直方图基本上可看作是由分别对应目标和背景的两个单峰直方图混合而成，可以把双峰之间的谷点作为阈值!，对图象作以下二值化处理： ’（#，$）3!0 若%（#，$）!!（! " 若%（#，$）"! 0 基于阈值的二值化算法在基于阈值的灰度图像分割算法中，确定阈值是关键。阈值一般可写成如下形式：对于某些新闻视频中的标题新闻、影视片名或演员表等它们的背景一般比较简单，可以采用单阈值分割方法。但是，大多数视频中的文字都有较复杂的背景，反映在其灰度直方图上 !"!1#，$，%（#，$），&（#，$）2（0）将出现多个峰谷，此时若采用单阈值的分割方法则无法将文字其中%（#，$）是在象素点（#，$）对处的灰度值，&（#，$）是该点邻域的某种局部性质。换句话说，!在一般情况下可以是（#，$），%（#，$）和&（#，$）的函数。借助式（0），可以将阈值分割方法分成如下三类：（0）如果仅根据%（#，$）来选取阈值，所得的阈值仅与各个图像象素的本身性质相关（即全局阈值）；（!）如果阈值是根据%（#，$）和&（#，$）来选取的，所得的阈值就是与（局部）区域性质相关的（即局部阈值）。（#）如果阈值除根据%（#，$）和&（#，$）来选取外，还与（#，$）从背景中分离出来。为此，作者尝试采用多阈值方法将所有的峰都分离出来，如果灰度图像中的文字所占的象素的灰度值相近且与图像中其他目标的灰度值不同，则必然有一个被分离出来的峰对应于图像中的文字目标。基于局部阈值的二值化算法 0$! 基于局部阈值的方法通过定义考察点的领域，并由邻域计算模板来实现考察点灰度与邻域点的比较，较全局阈值方法有更广泛的应用。其中典型的局部比较方法有4’&)5678’.算法和9):+;)+算法等。与4’&)5678’.算法相比，9):+;)+算法的作者简介：万罡，男，0B=U年生，湖北荆州人，硕士研究生，主要研究方向：图形图像处理及多媒体技术。周洞汝，0B#B年生，教授，博士生导师，主要研究方向：图形图象视频压缩，V%*应用技术等。

静止背景运动目标识别

Moving Object Detection in Stationary Scene 摘要：随着计算机技术的不断提高，智能视频监控技术得到了很好的发展, 过去依靠人力监控视频中出现的人或汽车等既浪费人力物力，又不够准确，很容易发生遗漏，而智能监控就不存在这种问题，只需在程序中设定报警条件即可，能够准确地达到实时监控的目的。现在智能视频监控逐渐应用于城市道路、小区、银行等重要场所及对场景中的异常事件或人的异常行为的监控中, 应用前景广泛，正在逐步取代靠人力来观察视频信息。智能视频监控相比过去常用的靠人来监测的最重要的不同就是识别出需要监控的对象，通常是运动目标的提取。在本文中利用matlab视频处理功能，通过matlab程序来获取视频，使用背景减差法来检测出运动目标提取静止背景中的运动目标，并将结果显示出来，以进行进一步的分析处理。关键字：视频监控；目标提取；静止背景；matlab；目标识别；背景减差法

基于视频的运动目标主要提取方法目标检测是计算机视觉的一个重要组成部分，在军事及工业等领域有着重要的应用前景。运动目标的检测方法主要有光流法，差值法。光流法的计算量很大，实时性和应用性较差。而图像差值法比较简单，实时性较好，是目前应用最广泛，最成功的运动目标检测的方法。图像差值法可分为两类，一类是用序列图像的每一帧与一个固定的静止的参考帧做图像差分，但自然场景不是静止不变的，因而必须不断的更新背景。另一类是用序列图像的两帧进行差分，这种方法无法检测出两帧图像中重合的部分，只能检测出目标的一部分信息。在绝大多数视频监控图像应用中，每一个像素都可以用一个或多个高斯模型近似，因此，高斯背景模型是绝大多数目标检测方法常用的基本模型。许多学者对基于高斯混合背景模型的背景消除法作了改进并取得了较好的效果。Stauffer 等人提出了采用自适应混合高斯模型，作为背景统计模型的算法；Power 等人详细的讨论了混合高斯模型，并对模型中的参数选择及更新提出了很好的建议。Monnet 等人在文献[3]中对摆动的树叶，水纹的波动等动态纹理干扰作了深入研究，提出了在线的自动聚类模型来获得并预测场景中的这些变化以减少干扰。然而，由于光照条件的影响，大多数图像都存在阴影，阴影的存在干扰了目标的检测，使检测到的目标与真实的目标形状相差很大，这对后续处理如目标识别、行为判断等会产生很大的影响。混合高斯模型无法消除阴影的干扰，因此找到阴影消除的方法变得非常重要。近年来，提出了很多阴影消除方法，毛晓波提出了基于最大色度差分的阴影检测方法，A. Leone提出了基于纹理分析的阴影消除方法，通过分析纹理信息获取前景目标并消除阴影，取得了较好的效果。运动目标检测常用的方法一般分为两大类，一种是基于特征的方法，另一种是基于灰度的方法。基于特征的方法是依据图像的特征来检测运动目标，它多用于目标较大、特征容易提取的场合。基于灰度的方法一般是依据图像中灰度的变化来检测运动目标。目前基于视频的检测方法主要有: 基于帧间差分的方法、基于光流场的方法、基于背景差的方法等。帧间差分法是基于运动图像序列中相邻两帧图像间具有强相关性而提出的检测方法, 具有很强的自适应性。但如果物体内部灰度分布均匀这种方法会造成目标重叠部分形成较大空洞，严重时造成目标分割不连通，从而检测不到目标。光流场法是基于对光流的估算进行检测分割的方法。光流中既包括被观察物体的运动信息, 也包括有关的结构信息。光流场的不连续性可以用来将图像分割

数字视频处理__课程报告-视频分割技术发展及其应用

视频分割技术课程报告题目：视频分割技术发展及其应用

数字视频处理中运动估计的方法及应用 1 引言科学技术的飞速发展的今天，带来了电子设备的普及和海量的视频数据。视频在我们的日常生活中充当着越来越重要的角色，我们可以随时利用身边的电子设备比如掏出手机，拍一段视频，或者从社交媒体软件微博、QQ、微信等空间浏览朋友上传的视频。这些各种各样的媒体视频软件的出现不仅丰富了我们的生活，也给我们的生活带来其他便利，比他，在医学影像、智能交通管理、视频监控、医学影像这些领域也离不开视频的使用。这些丰富的视频软件的产生，离不开那些有关视频方面的处理技术。比如涉及那些视频分割核心技术的发展推进了那些手机端、PC端等软件迅速崛起。视频相比与图片，能传达更全面和丰富的信息，它由一系列图片组成，并结合音频。高速发展的网络也带了处理视频的一些挑战，庞大的视频信息如何能保证有效的传输以及使用是一个问题，因此就需要一种对视频进行分割的技术。MPEG是针对视频压缩相关编码的规范，并在MPEG-4规范标准中明确地给出一种基于视频内容的编码方案，它指出视频是由一系列具有语义实体的视频对象组成。视频对象说白了无非就是在组成视频的那一系列的图像中那些具有相同或者相似的像素特征的全体。例如像物体的运动就能作为反应这些具有相似性的特征，其它诸如物体的形态或者说是物体的色调也能用来作为衡量这种相似性。而视频分割技术它其实就是从含有这些复杂的多个对象的视频当中抽离出那些我们要的实体对象。我们接下来首先先介绍一些关于图像方面的知识作为开头，因为它是视频处理的前提基础，然后介绍一些传统的视频分割方法、介绍目前流行的视频分割方法主要有哪些。接着，我们谈谈视频分割技术可以具体应用在哪些领域。最后是一些涉及视频分割技术的总结展望。 2 图像分割技术因为视频是由一系列的特定的图像组成的。所以对视频进行分割归结来说还是对这些图像进行分割。图像分割的经典方法是由图论中的Graph Cut提出的，它需要用户的交互来切割图像，需要用户手动的标记出图像的前景和背景。之后的图像分割算法大多都是基于此基础上进行改进。关于图像分割的方法目前还是很丰富的，不可能一一地列举出来，因此，我们按照其所属不同的类别进行阐述。第一类是利用不同阈值的方式进行切割，切割的思想就是对图像在其特征空间上进行划分，形成多个划分类。图像的灰度是比较经常作为特征选取方案的。或者也可以对原始特征进行处理得到效果更好的特征。通常这类算法运行效率低，而且当图像中存在噪声时对其结果影响较大。第二类是从图像的区域出发：思想大致类似于聚类算法，首先构造相似度函数，然后把相似的象素聚成一类，聚类过程中聚类的顺序的不同也诞生了不同的方法。例如我们在初始时刻可以把整张图像看着单独的一个类，然后在接下来不断的对上一轮的类别分裂划分，直到达到稳定状态结束。也可以将操作的过程反过来即：初始时刻先将图像设定几个不同的给定类别，然后不断地判断哪些类是可以兼并在一起的直到稳定状态结束。最后一类是直接提取出图像对象的边缘，其思想比较直观。提取方式也可以分为多种，比较常用的先提取出局部可能的边缘点，然后慢慢的扩展得到整体的轮廓。最后就能把各个对象的外部边界检测出来，从而达到分割的目的。

图像分割文献综述

文献综述图像分割就是把图像分成各具特色的区域提取感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤，是一种基本的计算机视觉技术。图像分割起源于电影行业。伴随着近代科技的发展，图像分割在实际中得3到了广泛应用，如在工业自动化、在线产品检验、生产过程控制、文档图像处理、遥感和生物医学图像分析、以及军事、体育、农业工程等方面。总之，只要是涉及对对象目标进行特征提取和测量，几乎都离不开图像分割。所以，对图像分割的研究一直是图像工程中的重点和热点。自图像分割的提出至今，已经提出了上千种各种类型的分割算法。由于分割算法非常多，所以对它们的分类方法也不尽相同。我们依据使用知识的特点与层次，将其分为基于数据和基于模型两大类。前者是直接对当前图像的数据进行操作，虽然可以利用相关的先验信息，但是不依赖于知识；后者则是直接建立在先验知识的基础上，这类分割更符合当前图像分割的技术要点，也是当今图像分割的主流。基于数据的图像分割算法多数为传统算法，常见的包括，基于边缘检测，基于区域以及边缘与区域相结合的分割方法等等。这类分割方法具有以下缺点，○1易受噪声和伪边缘影响导致得到的边界不连续，需要用特定的方法进行连接；○2只能提取图像局部特征，缺乏有效约束机制，难以获得图像的全局信息；○3只利用图像的底层视觉特征，难以将图像的先验信息融合到高层的理解机制中。这是因为传统的图像处理算法都是基于MIT人工智能实验室Marr提出的各层相互独立、严格由低到高的分层视觉框架下进行的。由于各层之间不存在反馈，数据自底向上单向流动，高层的信息无法指导底层特征的提取，从而导致底层的误差

不断积累，且无法修正。基于模型的分割方法则可以克服以上缺陷。基于模型的分割方法可以将分割目标的先验知识等有用信息融合到高层的理解机制之中，并通过对图像中的特定目标对象建模来完成分割任务。这是一种自上而下的处理过程，可以将图像的底层视觉特征与高层信息有机结合起来，因此更接近人类的视觉处理。基于模型的图像分割方法主要包括：○1基于统计模型的分割方法；○2基于神经网络的分割方法；○3基于形变模型的分割方法。主动轮廓模型（Active Conlour Model， ACM）（又称活动轮廓模型，变形曲线模型）的研究背景及发展状况。即Snake模型，最初由Kass等人于1998年提出，并成功应用于图像分割方面。这种模型通过建立与参数化曲线Ｃ相关的能量函数，然后优化该能量函数，使轮廓向目标边界演化，并在目标边界处达到最优值。 1987年Kass、Witkin和Terzopoulos首次提出主动轮廓模型，并成功应用于图像分割、视频跟踪等相关应用。这种模型对Marr提出的各自独立分层图像处理模型提出了挑战，它将图像本身的底层视觉属性（如边缘、纹理、灰度、色彩等）与待分割目标的先验信息（如形状、亮度、色彩等）以一种有机的方式——能量函数的形势结合起来，最终得到待分割目标的完整表达。能量函数一般由两部分构成：内部能量函数和外部能量函数。一般说来，内部能量函数嵌入了对目标特征约束的先验性假设，以及保持轮廓本身特性（如光滑性和刚性）的约束条件；而外部能量函数则根据图像的数据特性（如边缘特性、区域特性等）构造

视频序列中运动对象分割方法的设计与实现

视频序列中运动对象分割方法的设计与实现[1][repaste] 2009-03-23 09:36 转自：https://www.360docs.net/doc/d62524120.html,/2008/07/video-sequence.html The technology of multimedia correspondence developed quickly. After the standard MPEG-1 and MPEG-2, a new standard named MPEG-4 was put forward by the MPEG committee. The key technical of the standard is the standard is the Video Object Segmented from the video frame. The results of object segmentation will affect subsequent applications directly. At the present time, there is no current method, which can segment object models from the background efficiently, though a great deal of research work has been done for video coding. Most algorithms aim at particular image sequences. The video segmentation has been widely applied in many fields, especially in low bite-rate ratio multimedia fields, so it is more and more becoming the hot point in the video research field. This paper discusses the basic theory of digital image segmentation, and then analyzes the exist method for the segmentation of moving objects in video sequences. At last an effective moving object segmentation algorithm is used. First, the moving regions are obtained by the intersections of two neighbor difference images, and then small regions that are not accurate are removed. Finally, the moving regions are filled using the method of mathematical morphology. This arithmetic makes use of the functions of the library effectively, improves precision and efficiency of computation, and has a good property for the application to multi-platform. Experimental result shows that the algorithm can get satisfactory result. Key words: Image segmentation, Frame difference, video sequence, moving object, mathematical morphology 目录摘要 I ABSTRACT II 第一章绪论 1 1.1 研究背景与意义 1 1.2 国内外研究状况 3 1.3论文内容与结构安排 4 第二章典型的图像分割方法 6 2.1阈值法与边缘检测法 6 2.1.1阈值法 6 2.1.2边缘检测法 7

图像处理技术综述

图像处理技术综述摘要随着科技水平的发展和生活质量的提升，在生产生活中，实时图像处理技术被应用得愈来愈广泛。比如，基于实时图像压缩的视频监控系统，和基于实时图像处理的医学图像诊断系统，等等。本文简述了数字图像处理技术的发展历程及应用现状, 系统分析了数字图像处理技术的主要特点及制约其发展的因素, 并提出了数字图像处理技术的研究内容、特点、发展方的展望等。关键词图像处理数字图像研究内容现状展望引言图像是人类智能活动重要的信息来源之一，是人类相互交流和认识世界的主要媒体。随着信息高速公路、数字地球概念的提出，人们对图像处理技术的需求与日剧增，同时VLSI技术的发展给图像处理技术的应用提供了广阔的平台。图像处理技术是图像识别和分析的基础，所以图像处理技术对整个图像工程来说就非常重要，对图像处理技术的实现的研究也就具有重要的理论意义与实用价值，包括对传统算法的改进和硬件实现的研究。数字图像处理技术的发展涉及信息科学、计算机科学、数学、物理学以及生物学等学科，因此数理及相关的边缘学科对图像处理科学的发展有越来越大的影响。近年来，数字图像处理技术日趋成熟，它广泛应用于空间探测、遥感、生物医学、人工智能以及工业检测等许多领域，并促使这些学科产生了新的发展。 1.图像处理技术的发展数字图像处理技术使20世纪60年代随着计算机技术和VLSY Very Large Scale Integration的发展而产生、发展和不断成熟起来的一个新兴技术领域，它在理论上和实际应用中都取得了很大的成就。视觉是人类最重要的感知手段，图像又是视觉的基础[3]。早期图像处理的目的是改善图像质量，它以人为对象，以改善人的视觉效果为目的。图像处理中输入的是质量低的图像，输出的是改善质量后的图像。常用的图像处理方法有图像增强、复原、编码、压缩等。首次获得成功应用的是美国喷气推进实验室（JPL）。他们对航天探测器徘徊者7号在1964年发回的几千张月球照片进行图像处理，如几何校正、灰度变换、去除噪声等，并考虑了太阳位置和月球环境的影响。随后又对探测飞船发回的近十万张照片进行更为复杂的图像处理，获得了月球的地形图、彩色图及全景镶嵌图，为人类登月创举奠定了基础，也推动了数字图像处理这门学科的诞生。在以后的宇航空间技术探测研究中，数字图像处理技术都发挥了巨大的作用。数字图像处理技术取得的另一个巨大成就是在医学上。1972年英国EMI公司工程师Housfield发明了用于头颅诊断的X射线计算机断层摄影装置，也就是我们通常所说

MKV高清视频无损分割图文教程

MKV高清视频无损分割教程 2011-08-20 要做到完全无损地分割视频，我们推荐大家使用Mkvtoolnix软件中的MkvmergeGUI程序。MkvmergeGUI支持多种格式的视频、音频文件和字幕文件。分割操作很简单方式要注意首先，在Mkvtoolnix软件的文件夹中找到“mmg.exe”，双击打开MkvmergeGU主界面，点击“添加”按钮，选择要进行分割的视频文件。这样就可以在“输入文件”窗口中看到该视频文件，并在“轨道”窗口中显示出该视频文件包含的所有轨道(如图1所示)。一般来说AVI和RMVB 格式的高清视频文件都只包含一条视频轨道和一条音频轨道。而MKV格式的视频可能会包含多条音频轨道，甚至还会有多条字幕轨道。 “轨道”窗口中显示该视频文件包含的所有轨道然后，打开“输入”旁边的“全局”标签，勾选“允许分割”。在这里，软件提供了按文件尺寸、按持续时间和按时间代码三种分割方式(如图2所示)。按文件尺寸分割很容易理解，直接输入一个文件大小，如“1000MB”，软件就会将视频文件分割成若干个1000MB大小的视频文件，直到最后一个文件不足1000MB时为止;按持续时间和按时间代码这两种分割方式就要分别说明一下了，不然比较容易用错。

软件提供了按文件尺寸、按持续时间和按时间代码三种分割方式按持续时间与按文件尺寸类似，只不过将文件的体积参数换成了时间参数。如输入 “3600s”，软件会在视频每持续播放3600秒时分割一次并以此类推，直到最后一个视频持续播放时间不足3600秒。按时间代码则与前两者不同，输入一个参数，例如“3600s”后，软件只会在视频播放到3600秒时分割一次，便不再做其他操作，整个视频也只会被分为两部分。由此可见，按文件尺寸分割是我们最熟悉的分割方式。例如前面说的要刻录一个6600MB的视频文件，就可以先把它分成一个4480MB和一个2120MB的视频文件，然后把第一个文件刻进一张DVD-5光盘中，第二个文件你可以先留在硬盘里，看看能否和其他高清电影的某部分一起刻录在另外一张光盘中，这样就充分利用了光盘的空间。具体的操作就很简单了，根据不同的分割方式，输入相应的数值，再选择输出文件的保存位置并给分割的文件命名，点击“开始合成”按钮，软件就会自动处理。提示：刻录过程中，大家可以使用Nero等刻录软件的“查看光盘信息”功能，首先确定你使用的光盘最大容量是多少，并根据光盘容量选择视频分割大小。不过建议，最好留下20MB~30MB 的剩余空间，否则容易出现刻录失败或刻录盘产生数据错误的问题。字幕同步分割保证播放质量如果要分割的视频文件带有外挂字幕，只分割视频文件本身，原来的字幕就不能用了。一般的解决办法是用字幕分割软件按照视频分割的时间位置分割外挂字幕。其实不用这么麻烦，MKV 格式支持字幕轨道，我们可以在分割前先用MkvmergeGUI将外挂字幕文件添加进来和视频文件一起分割，以后播放时直接使用内置的字幕轨道即可。添加字幕的方法是在MkvmergeGUI主界面添加好视频文件后再点“添加”，选择外挂字幕文件，在“轨道”窗口中看到多出来的这条字幕轨道后，按照前面的方法继续对视频文件进行分割即可，新生成的视频文件中已经内置了字幕(如图3所示)。新生成的视频文件中内置了字幕音轨最终合成制作自己的高清视频

多视频运动对象实时分割及跟踪技术

第42卷第9期2008年9月浙　江　大　学　学　报(工学版) Journal of Zhejiang University (Engineering Science ) Vol.42No.9 Sep.2008 收稿日期:2007204227. 浙江大学学报(工学版)网址:https://www.360docs.net/doc/d62524120.html,/eng 作者简介:孙志海(1981-),男,福建漳州人,博士生,主要从事视频运动对象分割的研究.E 2mail :eeszh @https://www.360docs.net/doc/d62524120.html, 通讯联系人:朱善安,男,教授,博导.E 2mail :zsa @https://www.360docs.net/doc/d62524120.html, DOI :10.3785/j.issn.10082973X.2008.09.030 多视频运动对象实时分割及跟踪技术孙志海,朱善安 (浙江大学电气工程学院,浙江杭州310027) 摘　要: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. 关键词:运动对象分割;运动对象跟踪;差异积累;空域滤波;背景更新中图分类号:TP391.41 文献标识码:A 文章编号:10082973X (2008)0921631205 R eal 2time segmentation and tracking technique of multiple moving objects in video sequence SU N Zhi 2hai ,ZHU Shan 2an (College of Elect rical Engineering ,Zhej iang Universit y ,H angz hou 310027,China ) Abstract :Effective background was modeled by accumulative f rame 2to 2frame differences ,and foregro und could be ext racted using background subtraction operation.A variable coefficient spatial filter was presen 2ted ,which could effectively enhance t he background subt raction image and make t he foreground region has much more spatial connectivity.An imp roved Ot su 2based segmentation met hod was presented to accurately t hreshold t he background difference image.Morp hological operation was used in extracting contours of moving object s.After getting t he contours of moving object s ,region growing segmentation met hod was applied to locate t he foreground region ,and t he rectangle cent re was seen as t he mass cent re of t he moving object s.Moving object s were t racked using minimal Euclidean distance and t he motion trajectories were also painted.Experimental result s showed t hat p roposed algorit hm was effective and efficient. K ey w ords :moving object segmentation ;moving o bject tracking ;difference accumulation ;spatial filte 2ring ;background up date 视频运动对象分割及跟踪处于整个视觉监视系统的最底层,是各种后续高级处理如视频分析[1]、视频编码[2]、视频检索[3]以及视频监控[4]等的基础.运动对象分割是指从视频流中实时提取出运动对象,而运动对象跟踪则是指对目标进行连续的跟踪以确定其运动轨迹.尽管文献[5～7]报道了有关视频运动对象分割的算法,但视频运动对象自动分割的问题还没完全解决.实时自动分割视频语义对象的难点有:对复杂场景快速准确的背景建模;环境变化及噪声影响算法的鲁棒性;算法通用性差,复杂的分割算法满足不了应用的实时性要求;多运动对象的分割及跟踪[627]对分割算法提出了更高的要求.