基于條件隨機(jī)場(chǎng)模型的視頻目標(biāo)分割算法研究.pdf

1、視頻目標(biāo)分割是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)熱點(diǎn)問(wèn)題，它是視頻監(jiān)視、人機(jī)交互以及視頻編輯等眾多應(yīng)用系統(tǒng)的基礎(chǔ)，高效準(zhǔn)確的視頻目標(biāo)分割算法可以大大降低后繼應(yīng)用的處理難度。視頻目標(biāo)分割算法有自動(dòng)視頻目標(biāo)分割算法和交互式視頻目標(biāo)分割算法兩種，其中自動(dòng)視頻目標(biāo)分割算法的應(yīng)用比較廣泛，本文的視頻目標(biāo)分割算法都屬于自動(dòng)視頻目標(biāo)分割算法。自動(dòng)視頻目標(biāo)分割算法按對(duì)視頻序列的處理層次可以分為低級(jí)層次的分割算法、中級(jí)層次的分割算法和高級(jí)層次的分割算法，我們?cè)谶@三個(gè)層

2、次上分別提出了相應(yīng)的分割算法。本文的第一章為研究背景，第二章提出了一種基于加權(quán)模型的前景和陰影概率模型，第三章提出了一種基于二維條件隨機(jī)場(chǎng)模型的視頻閾值化方法，在第四章中提出了基于分層條件隨機(jī)場(chǎng)模型的視頻目標(biāo)分割算法，在第五章中我們提出了一種融合目標(biāo)識(shí)別信息的多目標(biāo)視頻分割算法，在第六章中給出了一個(gè)視頻交通流量統(tǒng)計(jì)系統(tǒng)。 本文取得的研究成果和創(chuàng)新點(diǎn)主要表現(xiàn)在以下幾個(gè)方面： 1)提出了一種基于加權(quán)模型的陰影和前景的建模方法

3、低級(jí)層次的分割算法一般在像素級(jí)別上對(duì)視頻序列的背景、陰影以及前景進(jìn)行建模實(shí)現(xiàn)分割?；顒?dòng)陰影是影響視頻目標(biāo)分割算法效果的一個(gè)重要的因素，有效地處理活動(dòng)陰影可以提高分割的質(zhì)量。本文的第二章提出了一種基于加權(quán)模型的陰影和前景的建模方法，它可以處理室內(nèi)戶外多種環(huán)境中的活動(dòng)陰影。陰影模型在像素級(jí)別上對(duì)視頻序列中的活動(dòng)陰影建模，并計(jì)算出分布概率。前景模型通過(guò)加權(quán)的方法對(duì)視頻序列中的前景目標(biāo)進(jìn)行建模獲得它們的分布概率。這些模型的分布概率可以為后繼章節(jié)

4、中更高層次的分割算法提供必需的數(shù)據(jù)。 2)提出了一種基于二維條件隨機(jī)場(chǎng)模型的視頻閾值化方法一般情況下，低級(jí)層次的分割算法的分割結(jié)果中會(huì)出現(xiàn)許多誤分類，而中級(jí)層次的分割算法中，這些誤分類可以通過(guò)融合視頻序列的鄰域關(guān)系得以糾正。在第三章中，我們提出了一種基于二維條件隨機(jī)場(chǎng)模型的視頻閾值化方法，它屬于中級(jí)層次的分割算法。這種方法根據(jù)第二章中的背景、陰影和前景的分布模型以及視頻序列的鄰域關(guān)系定義相應(yīng)的特征函數(shù)，同時(shí)構(gòu)造了一個(gè)二維條件隨機(jī)

5、場(chǎng)模型，利用這個(gè)模型對(duì)這些特征函數(shù)進(jìn)行約束建模，通過(guò)推斷算法求出全局最優(yōu)解獲得最終的分割結(jié)果。 3)提出了一種基于分層條件隨機(jī)場(chǎng)模型的視頻目標(biāo)分割算法基于二維條件隨機(jī)場(chǎng)模型的視頻閾值化方法可以消除像素級(jí)別的分割算法所產(chǎn)生的誤分類問(wèn)題。但是當(dāng)誤分類的像素塊尺寸比較大時(shí)，僅僅依靠二維條件隨機(jī)場(chǎng)模型對(duì)視頻序列的時(shí)空域鄰域關(guān)系的約束是無(wú)法糾正的。為了解決這個(gè)問(wèn)題，我們?cè)诘谒恼轮幸肓艘曨l序列的局部鄰域關(guān)系和全局鄰域關(guān)系，并對(duì)隱條件隨機(jī)

6、場(chǎng)模型進(jìn)行擴(kuò)展，構(gòu)建了一個(gè)分層條件隨機(jī)場(chǎng)模型。利用分層條件隨機(jī)場(chǎng)模型對(duì)視頻序列的局部鄰域關(guān)系和全局鄰域關(guān)系進(jìn)行約束，可以糾正尺寸比較大的像素塊誤分類。。 4)提出了一種融合目標(biāo)識(shí)別信息的多目標(biāo)視頻分割算法在視頻監(jiān)視領(lǐng)域，常用的基于背景建模的分割方法存在一些局限性，比如需要視頻序列的背景相對(duì)固定、需要對(duì)活動(dòng)陰影進(jìn)行特別處理以及多目標(biāo)分割的困難性。在第五章中提出了一種融合目標(biāo)識(shí)別信息的多目標(biāo)視頻分割算法，它屬于高級(jí)層次的分割算法，算

7、法可以對(duì)視頻中包括相互遮擋以及殘缺不全等多種特殊的目標(biāo)進(jìn)行分割。融合目標(biāo)識(shí)別信息的多目標(biāo)視頻分割算法由訓(xùn)練部分和分割部分組成。在訓(xùn)練部分中通過(guò)對(duì)訓(xùn)練數(shù)據(jù)集的學(xué)習(xí)構(gòu)建特征字典，并獲得分層條件隨機(jī)場(chǎng)模型的參數(shù)。在分割部分利用分層條件隨機(jī)場(chǎng)模型對(duì)特征函數(shù)進(jìn)行約束求解，可以獲得一個(gè)融合自頂向下信息和自底向上信息的分割結(jié)果。 5)視頻交通流量統(tǒng)計(jì)系統(tǒng)的初步研究基于視頻的交通流量統(tǒng)計(jì)方法是近幾年提出來(lái)的新方法，它與一些傳統(tǒng)的方法相比具有很多