一种视频序列图像中运动目标的分割算法
合集下载
基于全局运动估计的视频对象分割算法
ｈ ｉ ｅｔ ｘ ｅ ｍｅｔ ｓｏ ｔ ｉｇｏ ｅｔｏ ｖｄ ｏ ｅｕ ｎｅ ｈ ｇｏ ａ ｉ ａａｔ ａ ｅ ｘｒ ｔｄ ｔ ｓ ｔｅ ｖ ｇｏｊｃ Ｅ ｐｒ ｎｓ ｈ ｗｔａ ｅ ｖｎ ｊｃ ｆ ｉｅ ｑ ｅｃ ｔ ｌｂ ｌ ｔ ｎ ｈ ｒｃｅ ｃｎｂ ｔ ｃｅ ｕ ｉｇ ｍｏ ｎ ｂ ． ｉ ｈ ｔ ｍｏ ｈ ｂ ｓ ｓ ｗｉ ｍｏ ｏ ｃ ｒ ｅ ａ ｏ ｕｎ
维普资讯
第 ２ 卷 第 ｌ 期 ８ ６
ＶＯ ． １ ２８
Ｎ Ｏ． １ ６
计 算机 工程 与设 计
Ｃｏ ｐ ｔｒＥｎ ｎ ｅ ｎ ｎ ｓｇ ｍ ｕｅ ｇｉｅ ｒ ｇ ａ ｄＤｅ ｉｎ ｉ
２０ 年 ８ ０７ 月
Ａ ｕ ．２ ０ ｇ ０ ７
ｉ ｉ ｓｄｏ ｓ ｇ ｌ ｖ ｌ ｃ ｍｐ ｓ ｉ Ｓ Ｄ ｓ ｒｓｎｅ ｔ ｔ ｎ ａｅ ｎ ｕａ ａ ｅ ｅｏ ｏ ｉｏ （Ｖ ） ｉｐｅｅ ｔ ．Ｆｒｔ ，ｂｏ ｋ ｔｈｎ ｓｄｔ ｔｉ ｌ ａ ｍｏｉｎｆ ｌ， ａ ｄ ｍａ ｏ ｂ ｎｉ ｒ ｕｄ ｔｎ ｄ ｉｌ ｓｙ ｌｃ ｃ ｉ ｉｕｅ ｏ ａ ｃ ｔ ｅｄ ｎ ｍａ ｇｓ ｏ ｂ ｎ ｏｌ ｏ ｉ
基于全局运动估计的频对象分割算法
王新 卫 ， 周利 莉 ， 张 帆
（ 息工程 大 学， 河 南 郑 州 ４ ０ ０ ） 信 ５ ０ ２
摘 要 ： 频全局 运 动（ 视 摄像 机运 动 ） 表现 的视频序 列之 间的时 间相 关性， 所 较其 它视频 特征 更能表 达视 频序 列的 高层语 义信 息 。为 了能够 有效快 速 的得 到视 频 的全局运 动 ， 通过对 视频 运动估 计 方法 的研 究 ， 出了一种新 的基 于奇 异值分 解（Ｖ ） 提 Ｓ Ｄ 的 视 频全局 运 动估计 算法 。该 方法 首先通 过块 匹配 法得到局 部运 动场 ，利 用矩 阵的 奇异值分解 估计 全局 运动 参数 ，然后运 用 形 态 学运动 滤波得 到前 景运动 目标 的粗略掩 摸 图像 ， 最后 综合 利用 此掩摸 图像和 边缘信 息分割 出运动 目标 。试验 表明 ， 提 出 的算法 能够分割 出具 有全局 运动 特征 的视频 序 列 中的运 动 目标 。 关键 词 ： 匹配 ：全局 运动估 计 ；奇 异值 分解 ；形 态学运 动滤 波；坎 尼 边缘检 测 块 中图 法分类号 ：Ｐ ９ Ｔ３１ 文献标 识码 ： Ａ 文章 编号 ：０ ０７ ２ ２ ０ ） ６３３ —３ １０－０ ４（０ ７ １－９ ７０
维普资讯
第 ２ 卷 第 ｌ 期 ８ ６
ＶＯ ． １ ２８
Ｎ Ｏ． １ ６
计 算机 工程 与设 计
Ｃｏ ｐ ｔｒＥｎ ｎ ｅ ｎ ｎ ｓｇ ｍ ｕｅ ｇｉｅ ｒ ｇ ａ ｄＤｅ ｉｎ ｉ
２０ 年 ８ ０７ 月
Ａ ｕ ．２ ０ ｇ ０ ７
ｉ ｉ ｓｄｏ ｓ ｇ ｌ ｖ ｌ ｃ ｍｐ ｓ ｉ Ｓ Ｄ ｓ ｒｓｎｅ ｔ ｔ ｎ ａｅ ｎ ｕａ ａ ｅ ｅｏ ｏ ｉｏ （Ｖ ） ｉｐｅｅ ｔ ．Ｆｒｔ ，ｂｏ ｋ ｔｈｎ ｓｄｔ ｔｉ ｌ ａ ｍｏｉｎｆ ｌ， ａ ｄ ｍａ ｏ ｂ ｎｉ ｒ ｕｄ ｔｎ ｄ ｉｌ ｓｙ ｌｃ ｃ ｉ ｉｕｅ ｏ ａ ｃ ｔ ｅｄ ｎ ｍａ ｇｓ ｏ ｂ ｎ ｏｌ ｏ ｉ
基于全局运动估计的频对象分割算法
王新 卫 ， 周利 莉 ， 张 帆
（ 息工程 大 学， 河 南 郑 州 ４ ０ ０ ） 信 ５ ０ ２
摘 要 ： 频全局 运 动（ 视 摄像 机运 动 ） 表现 的视频序 列之 间的时 间相 关性， 所 较其 它视频 特征 更能表 达视 频序 列的 高层语 义信 息 。为 了能够 有效快 速 的得 到视 频 的全局运 动 ， 通过对 视频 运动估 计 方法 的研 究 ， 出了一种新 的基 于奇 异值分 解（Ｖ ） 提 Ｓ Ｄ 的 视 频全局 运 动估计 算法 。该 方法 首先通 过块 匹配 法得到局 部运 动场 ，利 用矩 阵的 奇异值分解 估计 全局 运动 参数 ，然后运 用 形 态 学运动 滤波得 到前 景运动 目标 的粗略掩 摸 图像 ， 最后 综合 利用 此掩摸 图像和 边缘信 息分割 出运动 目标 。试验 表明 ， 提 出 的算法 能够分割 出具 有全局 运动 特征 的视频 序 列 中的运 动 目标 。 关键 词 ： 匹配 ：全局 运动估 计 ；奇 异值 分解 ；形 态学运 动滤 波；坎 尼 边缘检 测 块 中图 法分类号 ：Ｐ ９ Ｔ３１ 文献标 识码 ： Ａ 文章 编号 ：０ ０７ ２ ２ ０ ） ６３３ —３ １０－０ ４（０ ７ １－９ ７０
基于目标分割和融合的快速视频浏览算法
经过多 次实验，采用 ＝０ ５ ． 时适应性更佳．当新像素 ０
值 符 合第 ｋ 个 高 斯分布 时，０ ；若 不符 合，则 ＝１
＝
Ｉ
式中 为第 ｋ个 高斯分布 的权重．根据 的值从大
．
，
，
，
到小排序， 足 满
０．
∑国
．
第 二种情 况： ， 未能与混合 高斯模型 中的任 何一
／ Ｊ （
或几个 单高斯 模型相匹配 时，说 明该单模 型较为符 合
，
一
， ，
∑ ：——． — ‘＾ ∑ 一， （ ． ——— Ｔ 一‘＊ ： ， —．— ） ！ 一， ‘ １ ‘ ） （－ｌ ２） ∑ ｎ２ 一
当前像 素值 的分布，所以需要适 当增加其权值．
Ａ ｓ ａ ｔＡｑ ｉ ｉｅ ｒｗ ｉｇ ｌ ｒｈ ｒｐ ｓｄ ｏ ｉ ｏ ｆ ｐｒｅ ｂｅｔ． ａｋｒｕ ｄｓｂｒｃ ｏ ｐｉ ｂｔ ｃ： ｃ ｖｄｏｂｏ ｓ ｇ ｉ ｍ ｉｐｏ ｏｅ ｒ ｄ ｓ ａｓ ｊｃ Ｂ ｃｇｏｎ ｔ ｔ ｎｉａ ｌ ｄ ｒ ｕｋ ｎ ａ ｏｔ ｓ ｆ ｖｅ ｏｓ ｏ ｓ ｕ ａｉ ｓｐ ｅ ｔ ｇｔｏｅｒｕ ｄｏｊｃ ａ ｄ ｈ ａｋ ｏｎ ｐ ａ ｄ ｏ ｓ ｎｌ Ｔ ｏｅ ｒｍｅ ｔｏ ｔ ｂｅｔ ａｅ ｒ ｉ ａ ｅ ｎ ｏ ｅ ｆｒｇｏ ｎ ｂｅｔ ｎ ｅ ｃｇ ｕ ｄｉ ｕ ｄｔ ｎｔ ｔ ． ｈ ｓ ａ ｓ ｈ ｕ ｊｃｓ ｒ ｓ ｄｓｒ ｄａｄ ｔ ｂ ｒ ｓ ｅｃ ａ ｙ ｆ ｗｉ ｏ ｆ ｔ ｃｄ ｉ
摘
要： 针对稀 疏对象 的监控 视频的快速浏览 ， 出 了一种基 于 目标分割和 融合 的快速 视频浏览 的方法． 提 首先 ，
利用背景差分法得 到前景 目标，并对背景模 型不断更新；然后， 除无 目标 出现 的视频 帧， 以一定 的密度对 目 滤 并
值 符 合第 ｋ 个 高 斯分布 时，０ ；若 不符 合，则 ＝１
＝
Ｉ
式中 为第 ｋ个 高斯分布 的权重．根据 的值从大
．
，
，
，
到小排序， 足 满
０．
∑国
．
第 二种情 况： ， 未能与混合 高斯模型 中的任 何一
／ Ｊ （
或几个 单高斯 模型相匹配 时，说 明该单模 型较为符 合
，
一
， ，
∑ ：——． — ‘＾ ∑ 一， （ ． ——— Ｔ 一‘＊ ： ， —．— ） ！ 一， ‘ １ ‘ ） （－ｌ ２） ∑ ｎ２ 一
当前像 素值 的分布，所以需要适 当增加其权值．
Ａ ｓ ａ ｔＡｑ ｉ ｉｅ ｒｗ ｉｇ ｌ ｒｈ ｒｐ ｓｄ ｏ ｉ ｏ ｆ ｐｒｅ ｂｅｔ． ａｋｒｕ ｄｓｂｒｃ ｏ ｐｉ ｂｔ ｃ： ｃ ｖｄｏｂｏ ｓ ｇ ｉ ｍ ｉｐｏ ｏｅ ｒ ｄ ｓ ａｓ ｊｃ Ｂ ｃｇｏｎ ｔ ｔ ｎｉａ ｌ ｄ ｒ ｕｋ ｎ ａ ｏｔ ｓ ｆ ｖｅ ｏｓ ｏ ｓ ｕ ａｉ ｓｐ ｅ ｔ ｇｔｏｅｒｕ ｄｏｊｃ ａ ｄ ｈ ａｋ ｏｎ ｐ ａ ｄ ｏ ｓ ｎｌ Ｔ ｏｅ ｒｍｅ ｔｏ ｔ ｂｅｔ ａｅ ｒ ｉ ａ ｅ ｎ ｏ ｅ ｆｒｇｏ ｎ ｂｅｔ ｎ ｅ ｃｇ ｕ ｄｉ ｕ ｄｔ ｎｔ ｔ ． ｈ ｓ ａ ｓ ｈ ｕ ｊｃｓ ｒ ｓ ｄｓｒ ｄａｄ ｔ ｂ ｒ ｓ ｅｃ ａ ｙ ｆ ｗｉ ｏ ｆ ｔ ｃｄ ｉ
摘
要： 针对稀 疏对象 的监控 视频的快速浏览 ， 出 了一种基 于 目标分割和 融合 的快速 视频浏览 的方法． 提 首先 ，
利用背景差分法得 到前景 目标，并对背景模 型不断更新；然后， 除无 目标 出现 的视频 帧， 以一定 的密度对 目 滤 并
基于最大类间方差法的快速交通视频运动目标分割方法
首先选择 两帧合适 图像相减并取 绝对值 ， 然后对所得 图像进行分块， 断应该被舍 弃的子块 。选择剩 下 判
的子块进行 最大 内间差分运算 ，分割 出运动 目标。试验结果表 明这 种方法能够在 满足 交通视频 图像 目
标分割 的基础上 大大提高算法效率。 关键 词 ： 运动 目标 ： 态阈值 ： 动 最大类 间方差法：算法效率
ｓｏ ｌ ｂ ｉｅ ｐ Ｔ ｅｒ ｉ ｎ ｂｂｏｋ ｏ ｔ ｒ ｃｏｅ， ｄｔｅｍｏ ｉ ｂｅｔ ａ ｅｍ ｎ ｄ ｈ ｕ ｅｇｖｎｕ ． ｈ ｍａ ｉｇｓ －ｌ ｓｆｒｏ ｕａ ｈｓｎ ａ ｖ ｇｏｊｃ ｒ ｓｇ ｅｔ ． ｄ ｅ ｎ ｕ ｃ ｓ ｅ ｎ ｈ ｎ ｓ ｅ ｅ Ｅ ｐｒ ｅｔ ｒｓｌ ｈｗ ｔａｔｉａ ｏｉ ｍ ｃｎ ｒ ｔ ｉ ｒｖ ｔ ｓｅｄ ｆ ｏ ｉ ｏｊ ｔｅｍｅｔ ｉ ． ｘ ｅ ｍ ｎａ ｅｕ ｓｏ ｓｈｔ ｓ ｇｒｈ ｇｅ ｌ ｍｐｏｅｈ ｐ ｅ ｏ ｍ ｖ ｇ ｂｅ ｓ ｉ ｌ ｔ ｈ ｌ ｔ ａ ａｙ ｅ ｎ ｃ ｇ ｎ ｔｎ ａｏ
Ｋｅ ｗｏ ｄ ： ｖ ｎ ｒ ｅ ； ｙ ａ ｃｔ ｒ ｓ ｏ ｄ Ｏｔｕｍｅｈ ； ｌｏ ｔｍ ｆ ｃｅ ｃ ｙ ｒ ｓ ｍｏ ｉ ｇｔ ｇ ｔ ｄ ｎ ｍｉ ｅ ｈ ｌ ； ｓ ｔ ｏ ａ ｇ ｒ ｈ ｅ ｉｎ ｙ ａ ｈ ｄ ｉ ｉ
智能交通 系统 （ 丁 ） １ Ｓ是现 代交通 运输 发展 的重要 － 方向 ，从 交通视 频中分 割运动车辆是该领域研究的重
， １．
Ｐ ．＝ 』
ｚ
Ｎ
① 基金项目： 国家科技支撑计划（０ ７ Ａ ０ Ｂ ６； ２０ ＢＧ ６０） Ｉ庆大学自然科学青年基金
收稿 时 间：０ ９ １ — ： 修改稿 时 问：０ — １ １ ２ ０ — １ 收到 ２ ８ ２ １ ０ — ０ Ｓ
的子块进行 最大 内间差分运算 ，分割 出运动 目标。试验结果表 明这 种方法能够在 满足 交通视频 图像 目
标分割 的基础上 大大提高算法效率。 关键 词 ： 运动 目标 ： 态阈值 ： 动 最大类 间方差法：算法效率
ｓｏ ｌ ｂ ｉｅ ｐ Ｔ ｅｒ ｉ ｎ ｂｂｏｋ ｏ ｔ ｒ ｃｏｅ， ｄｔｅｍｏ ｉ ｂｅｔ ａ ｅｍ ｎ ｄ ｈ ｕ ｅｇｖｎｕ ． ｈ ｍａ ｉｇｓ －ｌ ｓｆｒｏ ｕａ ｈｓｎ ａ ｖ ｇｏｊｃ ｒ ｓｇ ｅｔ ． ｄ ｅ ｎ ｕ ｃ ｓ ｅ ｎ ｈ ｎ ｓ ｅ ｅ Ｅ ｐｒ ｅｔ ｒｓｌ ｈｗ ｔａｔｉａ ｏｉ ｍ ｃｎ ｒ ｔ ｉ ｒｖ ｔ ｓｅｄ ｆ ｏ ｉ ｏｊ ｔｅｍｅｔ ｉ ． ｘ ｅ ｍ ｎａ ｅｕ ｓｏ ｓｈｔ ｓ ｇｒｈ ｇｅ ｌ ｍｐｏｅｈ ｐ ｅ ｏ ｍ ｖ ｇ ｂｅ ｓ ｉ ｌ ｔ ｈ ｌ ｔ ａ ａｙ ｅ ｎ ｃ ｇ ｎ ｔｎ ａｏ
Ｋｅ ｗｏ ｄ ： ｖ ｎ ｒ ｅ ； ｙ ａ ｃｔ ｒ ｓ ｏ ｄ Ｏｔｕｍｅｈ ； ｌｏ ｔｍ ｆ ｃｅ ｃ ｙ ｒ ｓ ｍｏ ｉ ｇｔ ｇ ｔ ｄ ｎ ｍｉ ｅ ｈ ｌ ； ｓ ｔ ｏ ａ ｇ ｒ ｈ ｅ ｉｎ ｙ ａ ｈ ｄ ｉ ｉ
智能交通 系统 （ 丁 ） １ Ｓ是现 代交通 运输 发展 的重要 － 方向 ，从 交通视 频中分 割运动车辆是该领域研究的重
， １．
Ｐ ．＝ 』
ｚ
Ｎ
① 基金项目： 国家科技支撑计划（０ ７ Ａ ０ Ｂ ６； ２０ ＢＧ ６０） Ｉ庆大学自然科学青年基金
收稿 时 间：０ ９ １ — ： 修改稿 时 问：０ — １ １ ２ ０ — １ 收到 ２ ８ ２ １ ０ — ０ Ｓ
视频序列中运动目标检测技术
（ ．厦 门 大 学 计 算 机 科 学 系 ，福建 厦 门 ３ １０ ；２ 厦 门 大 学 自动化 系 ，福 建 厦 门 ３ １ ０ ） １ ６０５ ． ６ ０ ５
摘要 ：提 出一种 基于 前景 目标 分 类 的视 频 序 列 中运 动 目标 检 测 方 法。 该 方 法在 Ｒ ＧＢ空 间 内 建 立 了一种新 颖 的背景 模 型 ； 了解 决背景 更新 “ 为 死锁 ” 问题 ， 出 了像 素 点的跳跃 度 函数和 稳定 性 提
Ｗ Ａ Ｎ Ｇ ｕ — ｅ ＬＩＣｕ — ａ ， ＳＨ ＩＨ ｕ Ｗ ＥＩ Ｆｅ ｇ— ｅ Ｈ ａ ｗ ｉ． ｉｈｕ ａ， ｎ ｍ ｉ （ ． ｐ ｒｍｅ ｔｏ ｏ ｕｅ ｃｅ ｃ，Ｘｉｍｅ ｉｅｓｔ，Ｘｉｍｅ ６ ０ ５ ｕｉｎ １ Ｄｅ ａｔ ｎ ｆＣ ｍｐ ｔｒＳ ｉｎ ｅ ａ ｎ Ｕｎｖ ｒｉｙ ａ ｎ ３ １ ０ ，Ｆ ｊ ，Ｃｈｎ ； ａ ｉａ ２． ｐ ｒｍｅ ｔ ｆ ｔｍａｉｎ Ｄｅ ａｔ ｎ ｏ ｔ ，Ｘｉｍｅ ｉｅｓ ｙ ｏ Ａｕ ｏ ａ ｎＵｎｖ ｒｉ ，Ｘｉｍｅ ６１ ０ ，ＦｕＪ ，Ｃｈｎ ） ｔ ａ ｎ３ ０ ５ ｊｎ ａ ｉａ
ｔｃｓｍｏ ｉｇｏ ｊｃｓａ ｄｓ ｐ ｒｓｅ ｈ ｉ ｈ ｄ ｗｓ ｅ ｔ ｖｎ ｂｅ ｔ ｎ ｕ ｐ ｅｓｓｔ ｅｒｓ ａ ｏ ．
Ｋｅ ｒｓ ｎ ｏ ａｉｎ ｐ ｏ ｅｓ ｇ ｏ ｅ ｒ ｕ ｄ ｏ ｊｃ ｌｓｉ ｃｔ ｎ；ｍｏ ｉｇ ｏ ｊｃ ｅｅ ｔ ｎ ｕ ／ ｙ ｗｏ ｄ ：ｉｆｒ ｔ ｒ ｃｓｉ ；ｆｒｇ ｏ ｎ ｂｅ ｔｃａｓ ｉａｉ ｍ ｏ ｎ ｆ ｏ ｖｎ ｂｅ ｔｄ ｔｃｉ ；ｈ ｅ ｏ
ａ ａ ｉ ｅｂａ ｋｇ ｏ ｎ ｄ ｌｗａ ｂ ｉ ａ ｄ ｓ ｓ ｑ ｅ ｌ ｈ ａ ｋ ｒ ｕ ｍｏ ｅ ｉ ｐ ａ ｅ ｂ ｏ ｅ ｄ ｐｔｖ ｃ ｒ ｕ ｄ ｍｏ ｅ ｓ ｕ ｌ ｎ ｕｂ ｅ ｕ ｎｔｙ ｔ ｅ ｂ ｃ ｇ ｏ ｎｄ ｔ ｄ ｌ ｓ ｕ ｄ ｔｄ ｙ ａ ｆｒ —
摘要 ：提 出一种 基于 前景 目标 分 类 的视 频 序 列 中运 动 目标 检 测 方 法。 该 方 法在 Ｒ ＧＢ空 间 内 建 立 了一种新 颖 的背景 模 型 ； 了解 决背景 更新 “ 为 死锁 ” 问题 ， 出 了像 素 点的跳跃 度 函数和 稳定 性 提
Ｗ Ａ Ｎ Ｇ ｕ — ｅ ＬＩＣｕ — ａ ， ＳＨ ＩＨ ｕ Ｗ ＥＩ Ｆｅ ｇ— ｅ Ｈ ａ ｗ ｉ． ｉｈｕ ａ， ｎ ｍ ｉ （ ． ｐ ｒｍｅ ｔｏ ｏ ｕｅ ｃｅ ｃ，Ｘｉｍｅ ｉｅｓｔ，Ｘｉｍｅ ６ ０ ５ ｕｉｎ １ Ｄｅ ａｔ ｎ ｆＣ ｍｐ ｔｒＳ ｉｎ ｅ ａ ｎ Ｕｎｖ ｒｉｙ ａ ｎ ３ １ ０ ，Ｆ ｊ ，Ｃｈｎ ； ａ ｉａ ２． ｐ ｒｍｅ ｔ ｆ ｔｍａｉｎ Ｄｅ ａｔ ｎ ｏ ｔ ，Ｘｉｍｅ ｉｅｓ ｙ ｏ Ａｕ ｏ ａ ｎＵｎｖ ｒｉ ，Ｘｉｍｅ ６１ ０ ，ＦｕＪ ，Ｃｈｎ ） ｔ ａ ｎ３ ０ ５ ｊｎ ａ ｉａ
ｔｃｓｍｏ ｉｇｏ ｊｃｓａ ｄｓ ｐ ｒｓｅ ｈ ｉ ｈ ｄ ｗｓ ｅ ｔ ｖｎ ｂｅ ｔ ｎ ｕ ｐ ｅｓｓｔ ｅｒｓ ａ ｏ ．
Ｋｅ ｒｓ ｎ ｏ ａｉｎ ｐ ｏ ｅｓ ｇ ｏ ｅ ｒ ｕ ｄ ｏ ｊｃ ｌｓｉ ｃｔ ｎ；ｍｏ ｉｇ ｏ ｊｃ ｅｅ ｔ ｎ ｕ ／ ｙ ｗｏ ｄ ：ｉｆｒ ｔ ｒ ｃｓｉ ；ｆｒｇ ｏ ｎ ｂｅ ｔｃａｓ ｉａｉ ｍ ｏ ｎ ｆ ｏ ｖｎ ｂｅ ｔｄ ｔｃｉ ；ｈ ｅ ｏ
ａ ａ ｉ ｅｂａ ｋｇ ｏ ｎ ｄ ｌｗａ ｂ ｉ ａ ｄ ｓ ｓ ｑ ｅ ｌ ｈ ａ ｋ ｒ ｕ ｍｏ ｅ ｉ ｐ ａ ｅ ｂ ｏ ｅ ｄ ｐｔｖ ｃ ｒ ｕ ｄ ｍｏ ｅ ｓ ｕ ｌ ｎ ｕｂ ｅ ｕ ｎｔｙ ｔ ｅ ｂ ｃ ｇ ｏ ｎｄ ｔ ｄ ｌ ｓ ｕ ｄ ｔｄ ｙ ａ ｆｒ —
视频分割和运动目标提取方法研究的开题报告
视频分割和运动目标提取方法研究的开题报告【开题报告】一、研究背景随着计算机技术和数字图像处理技术的不断发展，对视频处理的要求逐渐提高。
视频处理领域的一些重要研究任务包括视频分割和运动目标提取。
视频分割是将一段视频切分为不同的场景，而运动目标提取是从视频中提取出具有运动特征的目标。
这两个任务是很多视频处理应用的基础，如视频压缩、视频监控等。
目前，视频分割和运动目标提取方法已经有了很多研究成果，其中包括了传统的基于特征的方法，如基于背景分离法和基于像素的帧差法。
但是这些传统算法的效果受到复杂背景、光照变化等因素的影响，效果有限。
现在，深度学习技术在视频处理领域得到了广泛的应用，如前景检测、物体跟踪等。
二、研究目的和意义本研究的主要目的是结合深度学习方法，提出一种更加准确、鲁棒的视频分割和运动目标提取方法，以提高现有算法的效果。
具体地说，本研究将运用卷积神经网络（CNN）对视频进行特征提取，利用循环神经网络（RNN）学习上下文关系，最终实现视频分割和运动目标提取。
本研究的意义在于：1. 对于视频处理领域，创新地结合卷积神经网络（CNN）和循环神经网络（RNN）等技术，提高视频分割和运动目标提取的效果。
2. 深入研究视频分割和运动目标提取的方法和实现机制，为进一步提高视频处理算法和技术打下基础。
3. 探索在视频处理领域中深度学习技术的应用，为深度学习发展提供新的研究方向和思路。
三、研究方法和步骤1. 数据集采集：采集适合本研究的大规模视频数据集。
2. 特征提取：结合卷积神经网络（CNN）对视频进行特征提取。
3. 上下文关系学习：利用循环神经网络（RNN）学习视频序列之间的时间依赖关系。
4. 视频分割和运动目标提取：利用上述算法对视频进行分割和提取运动目标，最终得到运动物体的位置和特征。
5. 实验验证和性能分析：对比实现的算法与传统方法进行性能测试和分析。
四、预期成果1. 提出基于深度学习的视频分割和运动目标提取方法，实现对运动物体的准确提取。
一种视频序列中运动目标的检测与跟踪方法
运 动 目标 。
关 键 词 ： 景 模 型 灰 度 质 心 目标 检 测 和 目标 跟 踪 背 中 图分 类号 ： Ｐ ９ ． Ｔ ３ １４ 文 献标 识码 ： Ａ
文 章编 号 ： ７ —３ １ ２ １ ） ２ｃ一Ｏ ２ －０ １ ２ ７ （ ０ ０ ０ （） ０ ５ １ ６ ９
＝
一
根 据 （ ）／ 的取 值 设 置检
ｔ 图像 采 集 时 间 间 隔 ， （ ） ｉ ， … 是 ｆｔ （ ＝ｌ ２ ｋ 是 函数 ｆ（ 在 Ｋ个 顺 序 时 刻 的 测 量 值 ， ） ｔ ）
目标 并 对 其 进 行 识 别 跟 踪 ， 广 泛 的 应 测 闽 值 ， 下 式 ： 有 如
就 可 以 与 外 界 环 境 变 化 相 一 致 。 们 基 本 我
４ 结语
本 文 提 出 的 是 一 种 静 止 摄 像 机 条 件 下
基 于 统 计 灰 度 质 心 模 型 和 背 景 模 型 的 运 动
述模 型 ， 景 建模 是 计 算 机视 觉 领 域 中 背 基本 问题 ， 内外 有 多 种数 学 模 型 应 用 国 于 描 述 背 景 ， 如 高 斯 分 布 ＿。 们 利 用 例 ３ 我 １
工 程 技
Ｓ ＩＣ Ｃ ＮＥ＆ＴＣＮＬ０ Ｅ ＥＨ００Ｙ
匪圆
种 视 频 序 列 中运 动 目标 的检 测 与 跟踪 方 法 ①
申 良 李 中
（ 西安航 空技术 高等专 科学校 电气 工程 系
陕西西 安 ７ ０ ７ １ ） ０ ７
摘 要 ： 动 目标的监控 与测量在 汽车导航 和智 能监控 行业 中得到 大量应 用。 运 本文提 出了基 于统计 背景模型和 灰度 质心模型 的运 动 目标 检 测和跟 踪算法 。 在此 方法 中先建立 背景 的 高斯模 型， 后检 测 出场景 中的运 动 目标 ， 后根 据 目标检 测 的结论 ， 到运 动 目标灰 度质 心 然 最 得 的计算 结果 ， 在坐标 系中记 录位置 ， 并 采用最 小二秉 法拟 合 实现 了对运 动 目标的跟踪 。 相应 的实验 结果表 明这种 方法 能有效检 测和跟 踪
关 键 词 ： 景 模 型 灰 度 质 心 目标 检 测 和 目标 跟 踪 背 中 图分 类号 ： Ｐ ９ ． Ｔ ３ １４ 文 献标 识码 ： Ａ
文 章编 号 ： ７ —３ １ ２ １ ） ２ｃ一Ｏ ２ －０ １ ２ ７ （ ０ ０ ０ （） ０ ５ １ ６ ９
＝
一
根 据 （ ）／ 的取 值 设 置检
ｔ 图像 采 集 时 间 间 隔 ， （ ） ｉ ， … 是 ｆｔ （ ＝ｌ ２ ｋ 是 函数 ｆ（ 在 Ｋ个 顺 序 时 刻 的 测 量 值 ， ） ｔ ）
目标 并 对 其 进 行 识 别 跟 踪 ， 广 泛 的 应 测 闽 值 ， 下 式 ： 有 如
就 可 以 与 外 界 环 境 变 化 相 一 致 。 们 基 本 我
４ 结语
本 文 提 出 的 是 一 种 静 止 摄 像 机 条 件 下
基 于 统 计 灰 度 质 心 模 型 和 背 景 模 型 的 运 动
述模 型 ， 景 建模 是 计 算 机视 觉 领 域 中 背 基本 问题 ， 内外 有 多 种数 学 模 型 应 用 国 于 描 述 背 景 ， 如 高 斯 分 布 ＿。 们 利 用 例 ３ 我 １
工 程 技
Ｓ ＩＣ Ｃ ＮＥ＆ＴＣＮＬ０ Ｅ ＥＨ００Ｙ
匪圆
种 视 频 序 列 中运 动 目标 的检 测 与 跟踪 方 法 ①
申 良 李 中
（ 西安航 空技术 高等专 科学校 电气 工程 系
陕西西 安 ７ ０ ７ １ ） ０ ７
摘 要 ： 动 目标的监控 与测量在 汽车导航 和智 能监控 行业 中得到 大量应 用。 运 本文提 出了基 于统计 背景模型和 灰度 质心模型 的运 动 目标 检 测和跟 踪算法 。 在此 方法 中先建立 背景 的 高斯模 型， 后检 测 出场景 中的运 动 目标 ， 后根 据 目标检 测 的结论 ， 到运 动 目标灰 度质 心 然 最 得 的计算 结果 ， 在坐标 系中记 录位置 ， 并 采用最 小二秉 法拟 合 实现 了对运 动 目标的跟踪 。 相应 的实验 结果表 明这种 方法 能有效检 测和跟 踪
基于帧间差分法的目标运动检测算法
基于帧间差分法的目标运动检测算法
摘要
针对目前视频监控领域中，目标运动检测技术在视频分析研究中具有很大的应用价值，本文提出了一种基于帧间差分法的目标运动检测算法。
该算法通过采用基于帧间差分法的处理技术来实现对目标物体的运动检测，提高了目标物体的跟踪精度和算法的鲁棒性。
实验证明该算法较传统方法具有更好的检测效果和更高的遥测率，具有一定的实际应用价值。
关键词：帧间差分法；目标运动检测；跟踪精度；算法鲁棒性；遥测率。
一、背景介绍
目标运动检测技术在视频图像处理领域中具有广泛的应用价值，特别是在视频监控领域中有着广泛应用。
目标运动检测技术可以通过对视频图像进行处理，对图像中的目标物体进行跟踪和检测，从而实现对目标物体的监控。
目前，针对目标物体的运动检测技术主要有两种：基于背景差分法和基于帧间差分法。
其中，基于帧间差分法的目标运动检测技术在处理速度和检测精度方面具有许多优势。
本文旨在。
如何利用计算机视觉技术进行运动目标检测和跟踪
如何利用计算机视觉技术进行运动目标检测和跟踪计算机视觉技术的快速发展使得运动目标检测和跟踪成为可能。
这项技术不仅在安防领域起到重要作用，还应用于自动驾驶、智能监控和虚拟现实等众多领域。
本文将介绍如何利用计算机视觉技术进行运动目标检测和跟踪。
一、运动目标检测运动目标检测是指利用计算机视觉技术，通过分析连续的图像序列，检测出视频中出现的运动目标。
运动目标可以是人、车辆、动物等各种物体。
以下是运动目标检测的主要步骤。
1. 前景提取前景提取是运动目标检测的第一步，其目的是将视频中的前景目标从背景中分离出来。
常用的前景提取方法包括帧差法、基于统计学模型的方法和基于深度学习的方法。
帧差法是最简单的方法，基于像素之间的差异来识别前景目标。
而基于统计学模型的方法则通过建立像素值的分布模型来识别前景目标。
基于深度学习的方法通常使用卷积神经网络（CNN）来提取特征并进行分类。
2. 运动检测运动检测是利用差分技术或光流法等方法，检测出视频中的运动目标。
差分技术通过对相邻帧之间的差异进行计算，来确定运动目标的位置。
而光流法则通过跟踪关键点在连续帧之间的移动来检测运动目标。
3. 目标分割和识别目标分割和识别是将前景目标分割并分类的过程。
它通常通过图像分割算法和目标识别算法实现。
图像分割算法将前景目标从图像中提取出来，并通过边缘检测、区域生长或图像分割神经网络等方法实现。
目标识别算法则通过比较目标特征和已知类别的模型特征，来对目标进行分类。
二、运动目标跟踪运动目标跟踪是指通过分析视频序列中的目标位置，持续追踪目标的运动轨迹。
以下是运动目标跟踪的主要步骤。
1. 目标初始化目标初始化是运动目标跟踪的第一步，其目的是在视频序列的初始帧中确定目标的位置。
常用的目标初始化方法有手动框选和自动检测。
手动框选是通过人工在初始帧中标记目标的位置。
而自动检测则通过运动目标检测算法自动获取初始目标位置。
2. 特征提取和匹配特征提取和匹配是运动目标跟踪的核心步骤。
视频监控中一种完整提取运动目标的检测算法
ｄ ｍｏ ｓｒ ｔ ｈ ｌｏ ｉ ｍ ｓｑ ｉ ｃ ｕａｅａ ｄｅｆ ｉｎ ｏ ｖｎ ｂｅ ｔｄ ｔｃｉｎ ｉ ｉｅ ｃｎ ｓ ｅ ｎ ｔａｅｔ ｅａｇ ｒ ｈ ｉ ｕｔ ａ ｃ ｒｔ ｎ ｆ ｃ ｔｆｒｍｏ ｉｇｏ ｊｃ ｅｅｔ ｎ ｆ ｄ ｓｅ ｅ ． ｔ ｅ ｉｅ ｏ ｘ Ｋｅ ｏ ｄ ： ｖｎ ｂｅ ｔ ｅｅ ｔ ｎ；ｍｉｔｒ ｆＧｕ ｓｉｎ（ Ｇ） ｙ ｙｗ ｒｓ ｍｏ ｉｇｏ ｊｃ ｔｃｉ ｄ ｏ ｘ ｕｅｏ ａｓ ａ Ｍｏ ；ｓ ｍｍｅｒｃｌ ｉｅｅ ｃｎ ；ｓ ａ ｏ ｅｅｔ ｎ ｔｉａ ｆ ｒｎ ｉｇ ｈ ｄ ｗ ｄ ｔｃｉ ｄｆ ｏ
ｉ ｇ ａ ｅｇ ｉｅ ｍａ ｅｃｎ ｂ ａｎ ｄ．Ｔｈｓａ ｐｏ ｃ ｎ ｏｖ ｓｐ ｏｅ ｕｅｏ ｌ ｎ ｔ ｇ ｔ ｅｓ ａ ｏ ｏ ｖｎ ｂｅｔ ｓ ｇ １ ｈ ｎ ｓ ｎ ｏ ｍ ａ ｉｎ ｉ ｐ ｒ ｈ ｉｖ ｌｅ ｒｃｄ ｒ ｆｅｉ ａｉ ｈ ｈ ｄ ｗ ｆｍｏ ｉｇ ｏ ｊｃｓｕｉ ｉ ｔ ｅ ｓ ｉ ｆ ｒ ｔ ． ａ ｍｉ ｎ ｎ ｇ ｏ
ＴＡＮＧ — ｎ ＰＥＮＧ Ｙｉｑｉｇ， Ｋｅ， ＬＵＯ ａ ｇ ｙ ｎ Ｘｉｎ — ｕ
（ ｏｌｇ ｆＴｅ ｈ ｏｏ ｙ Ｃ ｌ ｅｏ ｃ ｎ ｌ ，Ｈｕ ａ ｒ ｌ ｉｅｓｔ ｅ ｇ ｎ ｎ Ｎｏｍａ ｖ ｒｉ Ｕｎ ｙ，Ｃｈ ｎ ｓ ａ ４ ０ ，Ｃｈｎ ） ａｇｈ ８ １ ０ １ ｉａ Ａｂ ｔａ ｔＡｎａｃ ｒ ｔ ｖｎ ｂｅｔｄ ｔｃｉｎ ａ ｏｉｈ ｉ ｉｅ ｕ ｖ ｉａ ｃ ｓｐｏ ｏ ｅ ｎ ｔｉ ｐ ｐ ｒ ｓｒｃ ： ｃｕａｅｍｏ ｉｇｏ ｊｃ ｅｅ ｔ ｌ ｒｔｍ ｎｖｄ ｏ ｓｒ ｅｌ ｎ ｅｉ ｒｐ ｓｄ ｉ ｈｓ ａ ｅ ．Ｆｉ ｔ ｈ ａｉｎ ｌ ｏ ｇ ｌ ｒ ，ｔ ｅｒｔ ａｅ ｓ ｏ
视频图像中的运动目标检测
的高斯分布， 且每—点的高斯分布是独立的， 概率模型为：
唧
ｉ
｝
足够快的响应速度 ， 而且对运动 目 标有 较强的抗 干扰 能力 。本 文 不更新被判断为前 景运 动 目 点的背景模型 ， 标 这样可 以增强 背景模型的抗干扰能 力 ， 保持模型 的稳 定性 。对 于被 判定为背 景区域的点 ， 以下公式更新该点的背景模 型。 按
ｉ ｆ５ ’ ２ ， 一 ｉ≥ｐｏ ５ ｉ ｒ Ｉ
０ Ｉ Ｉ ｐ ， Ｉ ｉ 广 ＜ 盯
其中 ， 表示当前图像 中像 素（ｊ Ｌ ｊ ｉ ） 度值 ， 和 ｏ 分别 ，的灰 ｒ
１ 背 景建模
背景模型的准确与否直接关系到最终检测结果的准确性。利 用 固定摄像机采集的背景图像是随时间渐变的 ， 而在一定时间内， 背景中的每—个像素的颜色值则 稳定分布在某—个确定值的邻域 内 ， 比 列背景图像 中的每—个像素利用高斯模型建模。 因Ｉ可 设肖景
维普资讯
计算机 时代 ２ ０ 年 第 ８ ０６ 期
・０ ４・
视频 图像 中的运 动 目标检测 ★
许 洲’ 。何 珊 。胡 觉亮 ’
（ １ ．浙江理工大学理 学院，浙江 杭 州 ３０ １ ；２ １０ ８ ．中国人 民解放军上海警备 区）
摘 要： 视频 图像 中的运动 目 标检 测是计 算机视 觉领域 的重要研 究内容 。 文章提 出了一种基于背景差分的运 动 目 标检测 算 法， 采用高斯模 型描 述每一被 观察的像素 ， 建立 自 适应背景模型 ， 运动检测后 对图像进 行 阴影检测和噪声去除 ， 消除 背
０
景模型的更新速度 ； 是一常数 ， 以防止背景模型 的方 差 盯Ｏ Ｃ 用
景扰动 、 阴影等带来的影响。实验 结果表 明该 方法是有效 的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
分 来检 测运 动 区域 的一 种技 术 。这种 方法 对光 照的 环 境 条件 变化 非 常敏感 。 通 过 总 结 、 析 各 种 运 动 目标 检 测算 法 的 优缺 分 点 ， 出 了一种 基 于 时 域 差 分 法 的运 动 变 化检 测 算 提
中 ， 运动 前景 可实 现基 于 内容 的视 频检 索 ； 提取 此外 在模式识 别 、 算机 视 觉领 域也 得 到 了广泛 的应 用 。 计 运动 目标 的分 割 没 有 通 用 的 理论 ， 根 据 具 体 要 情 况采取 有效 的方 法 。经过 研 究提 出的 自动分 割算
ｓｒ ｎ ｏ ｕ ｔ ｅ ｓ ｔｏ ｇ ｒ ｂ ｓｎ ｓ ．
Ｋｅ ｒ ｓ Ｏ ｊｃｓ ｅｍｅ ｔ ｉ ； ａ ｎ ｄ ｅｄ ｔ ｔ ｎ Ｍｏｌｉｇｂ ａｄｄ ｔ ｔ ｎ ｙｗｏｄ ： ｂ ｔ ｓｇ ｎａ ｏ Ｃ ｎ ｙｅｇ ｅｅ ｉ ； ｕｄｎ ｏｒ ｅｅ ｉ ｅ ｔｎ ｃｏ ｃｏ
Ａ ｓ ａ ｔＴ ｉ ｐ ｐ ｒ ｅｒｓｎｓａｎ ｗ ｍｅ ｏ ｒ ｅ ａａ ｎ ｏｉｇｏ ｊｃ ｎｉ ａｅｓｑ ｅ ｃ． ｂ ｔ ｃ： ｈｓ ａ ｅ ｐｅｅｔ ｅ ｔ ｄｆ ｐｒｔ ｇｍ ｖｎ ｂｅｔ ｉ ａ ｍ ｇ ｅ ｕ ｎｅ ｒ ． ｒ ｈ ｏｓ ｉ ｓｎ
Ｉ ｓ ｓ ｔ ｅ ｄ ｔｃｉ ｎ ｍｅｈ ｄ ｏ ｕ ｄ ｎ ａ ｄ ａ ｄ ｍｏ ｐ ｏ ｏ ｉａ ｒ ｃ ｓ ｉ ｇ．，ｃ ｍｂｎｉｇ ｗｉ ｔ ｅ Ｃａ ｎ ｔｕ ｅ ｈ ｅｅ ｔｏ ｔ ｏ ｆｍｏ ｌ ｉ ｇｂｏ ｒ ｎ ｒ ｈ ｌｇ ｃ ｌｐ ｏ ｅ ｓｎ ｏ ｉ ｎ ｔ ｈ ｎ ｙ ｈ
ｅ ｇ ｅ ｃ ｏ ，ｔ ｇｔｔｅ ｍ ｓ ｏ ｈ ｅｍｅｔｔ ｎ ｏ ｏ ｉｇ ｏ ｊｃ ．Ｔ ｅ ｅｐｒ ｅ ｔ ｅｕｔ ｄｅ ｄｔ ｔ ｎ ｏ ｅ ｈ ａｋ ｆｒｔｅ ｓｇ ｎａｉ ｆｍ ｖ ｂｅｔ ｅｉ ｏ ｎ ｓ ｈ ｘ ｅｉ ｎ ｌｒｓｌ ｍ ａ ｓ
ｄ ｍ ｎｔ ｔ ｔａ ｉ ｍｅ ｏ ａ ｆ ｃ ｖｌ ｓｐｒｔ ｔｅｍ ｖ ｇ ｏｊｃｓｆ ｍ ｔｅｂ ｃ ｇ ｕ ｄａ ｄ ｈｓ ｅ ｏ ｓ ａ ｔ ｈｓ ｔ ｄ ｃｎ ｅ ｅｔ ｅ ｅ ａａ ｏ ｉ ｂｅｔ ｒ ａｋ ｒ ｎ ｎ ａ ｒｅｈ ｔ ｈ ｉ ｙ ｅｈ ｎ ｏ ｈ ｏ
的运 动物 体 。
法计算 比较 复杂 ， 宜用 于 实时 视频 分割 ； 人提 出 不 有 基 于模 板 匹配 的视 频 对 象 分 割 算 法 ¨ ］它 只 能 用 ， 于分 割 已知先验 特 征 的对 象 并 需 要 人 工 设 定 阈值 ， 不具有 鲁棒 性 ； 参考 文 献 利 用 小 波 变 换 的频 率 抽 取特 性 ， 视频 序 列在 时 间轴 上 的高 频 分 量 作 为 运 将 动 信息提取 出来 ， 但分 割 结 果 和小 波 基 的选 取 关 系 太大 ； 最普遍 的算 法 是 利 用 相 邻 两 帧 图像 之 间 的差
关键词 ： 目标 分 割 ； ａ ｎ Ｃ ｎ ｙ边 缘检 测 ； 板检 测 模 中图分 类 号 ： Ｐ ９ ． Ｔ ３ １９ 文献标 识 码 ： Ｂ 文章编 号 ：０ ２— ２ ９ ２ ０ ） １— １ ９－ ２ １０ ２ ７ （ ０ ８ Ｏ ０ １ ０
Ａ Ｓ ｇ ｎａｉｎＭｅｈ ｄｆｒ ｖ ｇＯｂ ｃｓｉ ａ ｇ ｅ ｕ ｎ ｅ ｅ ｍｅ ｔｔ ｔｏ ｉ ｊ ｔ ｎ ｎＩ ｅＳ ｑ ｅ ｃ ｏ ｏ Ｍｏ ｎ ｅ ｍａ
Ｗ ＡＮＧ Ｃｈｅ ｇ—ＩＪ Ｌ Ｕ ｎ １ ． Ｉ Ｙｕ
（ｎｏｍ ｔ ｎＳｉ ｃ ａ ｄＥ ｇｎｅｉ ｏｌ ｅＹ ｎ ｈｎ Ｕ ｉ ｒｔ， ｉ ｎ ｎ ｄ ｏ０ ６０ ，ｈｎ ） Ｉ ｒａｉ ｃ ｎｅ ｎ ｎ ｉｅ ｎ Ｃ ｌｇ ，ａＳ ａ ｎ ｅ ｉ Ｑｎ ａ ｇ ａ ６ ０ ４ Ｃ ｉ ｆ ｏ ｅ ｒｇ ｅ ｖ ｓｙ Ｈ ａ
摘 要 ： 出 了一种新 的用 于检 测视 频 序列 图像 中运 动 目标 的算 法 。该 算 法 通 过对 差 帧 图像 提 进行模 板检 测及 形 态学 滤 波 ， 结合 Ｃ ｎｙ算子边 缘检 测获 得运 动 目标 的分 割掩 模 ， 取 出运 动 目 并 ａｎ 提 标 。实验 结果 表 明 ， 方 法能够 有 效分 割运 动物体 ， 有较 强 的鲁棒 性 。 该 具
维普资讯
第１ 期 ２０ ０ ８年 ２月
微
处
理
机
ＮｏＳ Ｓ
Ｆ ｂ． ２ ０ ｅ ，０８
一
种 视 频 序 列 图像 中运 动 目标 的分 割 算 法
王成儒 ， 刘 豫
（ 山大学信 息科 学 与工程 学 院 ， 皇 岛 ０ ６０ ） 燕 秦 ６０４
法 有多种 ， 常是 利 用 视 频 图像 在 时 间 和空 间 轴 上 通 的信息来 进行分 割 ： 如基 于光 流场 的运 动 参 数 估 算 法， 但光 流估算 的可 靠性 较 差 ； 为此 又提 出了贝 叶斯 分 割法 ， 它能 同时处 理运 动 估算 和分 割 问题 ， 此方 但
法 ， 算法 能有 效 检 测 分 割 出数 字 视频 图像序 列 中 该
１ 引 言
视 频 对象 分 割 在很 多领 域 已有 很 重要 的应 用 ，
如在 ＭＰ Ｇ一４的基 于 内 容 的视 频 编 码 中 ， 取 运 Ｅ 提 动前 景 可 很 大 地 提 高 压 缩 效 率 ； 如 在 ＭＰ Ｇ一７ 又 Ｅ
分 Ｊ 即运动 变 化 检 测 法 。 常 用 的运 动 变 化 检 测 ，
算 法有 时域 差 分 、 景 减 除 等 。时 域 差 分运 动 检 测 背 法对 于动 态环 境具 有较 强 的 自适应 性 ， 棒性较 好 ， 鲁 能够适 应 各种 动态 环 境 ， 一般 不 能完 全 提取 出所 但 有 相关 的特征 象素 点 ， 这样 在 运 动 实 体 内部容 易 产 生空洞 现 象 。背景 减 除法 也是 目前运 动 分割 中最常 用 的一 种 方法 ， 它是 利 用 当 前 图像 与 背景 图像 的差
中 ， 运动 前景 可实 现基 于 内容 的视 频检 索 ； 提取 此外 在模式识 别 、 算机 视 觉领 域也 得 到 了广泛 的应 用 。 计 运动 目标 的分 割 没 有 通 用 的 理论 ， 根 据 具 体 要 情 况采取 有效 的方 法 。经过 研 究提 出的 自动分 割算
ｓｒ ｎ ｏ ｕ ｔ ｅ ｓ ｔｏ ｇ ｒ ｂ ｓｎ ｓ ．
Ｋｅ ｒ ｓ Ｏ ｊｃｓ ｅｍｅ ｔ ｉ ； ａ ｎ ｄ ｅｄ ｔ ｔ ｎ Ｍｏｌｉｇｂ ａｄｄ ｔ ｔ ｎ ｙｗｏｄ ： ｂ ｔ ｓｇ ｎａ ｏ Ｃ ｎ ｙｅｇ ｅｅ ｉ ； ｕｄｎ ｏｒ ｅｅ ｉ ｅ ｔｎ ｃｏ ｃｏ
Ａ ｓ ａ ｔＴ ｉ ｐ ｐ ｒ ｅｒｓｎｓａｎ ｗ ｍｅ ｏ ｒ ｅ ａａ ｎ ｏｉｇｏ ｊｃ ｎｉ ａｅｓｑ ｅ ｃ． ｂ ｔ ｃ： ｈｓ ａ ｅ ｐｅｅｔ ｅ ｔ ｄｆ ｐｒｔ ｇｍ ｖｎ ｂｅｔ ｉ ａ ｍ ｇ ｅ ｕ ｎｅ ｒ ． ｒ ｈ ｏｓ ｉ ｓｎ
Ｉ ｓ ｓ ｔ ｅ ｄ ｔｃｉ ｎ ｍｅｈ ｄ ｏ ｕ ｄ ｎ ａ ｄ ａ ｄ ｍｏ ｐ ｏ ｏ ｉａ ｒ ｃ ｓ ｉ ｇ．，ｃ ｍｂｎｉｇ ｗｉ ｔ ｅ Ｃａ ｎ ｔｕ ｅ ｈ ｅｅ ｔｏ ｔ ｏ ｆｍｏ ｌ ｉ ｇｂｏ ｒ ｎ ｒ ｈ ｌｇ ｃ ｌｐ ｏ ｅ ｓｎ ｏ ｉ ｎ ｔ ｈ ｎ ｙ ｈ
ｅ ｇ ｅ ｃ ｏ ，ｔ ｇｔｔｅ ｍ ｓ ｏ ｈ ｅｍｅｔｔ ｎ ｏ ｏ ｉｇ ｏ ｊｃ ．Ｔ ｅ ｅｐｒ ｅ ｔ ｅｕｔ ｄｅ ｄｔ ｔ ｎ ｏ ｅ ｈ ａｋ ｆｒｔｅ ｓｇ ｎａｉ ｆｍ ｖ ｂｅｔ ｅｉ ｏ ｎ ｓ ｈ ｘ ｅｉ ｎ ｌｒｓｌ ｍ ａ ｓ
ｄ ｍ ｎｔ ｔ ｔａ ｉ ｍｅ ｏ ａ ｆ ｃ ｖｌ ｓｐｒｔ ｔｅｍ ｖ ｇ ｏｊｃｓｆ ｍ ｔｅｂ ｃ ｇ ｕ ｄａ ｄ ｈｓ ｅ ｏ ｓ ａ ｔ ｈｓ ｔ ｄ ｃｎ ｅ ｅｔ ｅ ｅ ａａ ｏ ｉ ｂｅｔ ｒ ａｋ ｒ ｎ ｎ ａ ｒｅｈ ｔ ｈ ｉ ｙ ｅｈ ｎ ｏ ｈ ｏ
的运 动物 体 。
法计算 比较 复杂 ， 宜用 于 实时 视频 分割 ； 人提 出 不 有 基 于模 板 匹配 的视 频 对 象 分 割 算 法 ¨ ］它 只 能 用 ， 于分 割 已知先验 特 征 的对 象 并 需 要 人 工 设 定 阈值 ， 不具有 鲁棒 性 ； 参考 文 献 利 用 小 波 变 换 的频 率 抽 取特 性 ， 视频 序 列在 时 间轴 上 的高 频 分 量 作 为 运 将 动 信息提取 出来 ， 但分 割 结 果 和小 波 基 的选 取 关 系 太大 ； 最普遍 的算 法 是 利 用 相 邻 两 帧 图像 之 间 的差
关键词 ： 目标 分 割 ； ａ ｎ Ｃ ｎ ｙ边 缘检 测 ； 板检 测 模 中图分 类 号 ： Ｐ ９ ． Ｔ ３ １９ 文献标 识 码 ： Ｂ 文章编 号 ：０ ２— ２ ９ ２ ０ ） １— １ ９－ ２ １０ ２ ７ （ ０ ８ Ｏ ０ １ ０
Ａ Ｓ ｇ ｎａｉｎＭｅｈ ｄｆｒ ｖ ｇＯｂ ｃｓｉ ａ ｇ ｅ ｕ ｎ ｅ ｅ ｍｅ ｔｔ ｔｏ ｉ ｊ ｔ ｎ ｎＩ ｅＳ ｑ ｅ ｃ ｏ ｏ Ｍｏ ｎ ｅ ｍａ
Ｗ ＡＮＧ Ｃｈｅ ｇ—ＩＪ Ｌ Ｕ ｎ １ ． Ｉ Ｙｕ
（ｎｏｍ ｔ ｎＳｉ ｃ ａ ｄＥ ｇｎｅｉ ｏｌ ｅＹ ｎ ｈｎ Ｕ ｉ ｒｔ， ｉ ｎ ｎ ｄ ｏ０ ６０ ，ｈｎ ） Ｉ ｒａｉ ｃ ｎｅ ｎ ｎ ｉｅ ｎ Ｃ ｌｇ ，ａＳ ａ ｎ ｅ ｉ Ｑｎ ａ ｇ ａ ６ ０ ４ Ｃ ｉ ｆ ｏ ｅ ｒｇ ｅ ｖ ｓｙ Ｈ ａ
摘 要 ： 出 了一种新 的用 于检 测视 频 序列 图像 中运 动 目标 的算 法 。该 算 法 通 过对 差 帧 图像 提 进行模 板检 测及 形 态学 滤 波 ， 结合 Ｃ ｎｙ算子边 缘检 测获 得运 动 目标 的分 割掩 模 ， 取 出运 动 目 并 ａｎ 提 标 。实验 结果 表 明 ， 方 法能够 有 效分 割运 动物体 ， 有较 强 的鲁棒 性 。 该 具
维普资讯
第１ 期 ２０ ０ ８年 ２月
微
处
理
机
ＮｏＳ Ｓ
Ｆ ｂ． ２ ０ ｅ ，０８
一
种 视 频 序 列 图像 中运 动 目标 的分 割 算 法
王成儒 ， 刘 豫
（ 山大学信 息科 学 与工程 学 院 ， 皇 岛 ０ ６０ ） 燕 秦 ６０４
法 有多种 ， 常是 利 用 视 频 图像 在 时 间 和空 间 轴 上 通 的信息来 进行分 割 ： 如基 于光 流场 的运 动 参 数 估 算 法， 但光 流估算 的可 靠性 较 差 ； 为此 又提 出了贝 叶斯 分 割法 ， 它能 同时处 理运 动 估算 和分 割 问题 ， 此方 但
法 ， 算法 能有 效 检 测 分 割 出数 字 视频 图像序 列 中 该
１ 引 言
视 频 对象 分 割 在很 多领 域 已有 很 重要 的应 用 ，
如在 ＭＰ Ｇ一４的基 于 内 容 的视 频 编 码 中 ， 取 运 Ｅ 提 动前 景 可 很 大 地 提 高 压 缩 效 率 ； 如 在 ＭＰ Ｇ一７ 又 Ｅ
分 Ｊ 即运动 变 化 检 测 法 。 常 用 的运 动 变 化 检 测 ，
算 法有 时域 差 分 、 景 减 除 等 。时 域 差 分运 动 检 测 背 法对 于动 态环 境具 有较 强 的 自适应 性 ， 棒性较 好 ， 鲁 能够适 应 各种 动态 环 境 ， 一般 不 能完 全 提取 出所 但 有 相关 的特征 象素 点 ， 这样 在 运 动 实 体 内部容 易 产 生空洞 现 象 。背景 减 除法 也是 目前运 动 分割 中最常 用 的一 种 方法 ， 它是 利 用 当 前 图像 与 背景 图像 的差