三种视频分割方法.pptVIP

三种视频分割方法课件信息2010研-试用版 主要内容 一、论文选题意义 二、本领域国内外现状 三、主要研究内容 (一)高斯混合模型(MOG)的人体目标检测改进方法 (二)复杂背景下Bayes判据的人体目标检测改进方法 (三)基于人体皮肤颜色特征的检测方法 (四)视频预处理——基于PCNN的视频中值滤波 四、总结-算法评价 一、论文选题意义 计算机视觉: 70年代后期，Marr提出了计算机视觉理论。Marr认为，计算机视觉研究的是如何从一幅或多幅二维图像来动态的获取对相应场景的理解。通俗地讲，即让计算机能像人那样通过视觉观察和理解世界。 应用范围主要有：机器人视觉（e.g.海洋中的ROV视觉）,人机交互系统（通过手势，面部表情）、数字视频监控等。数字视频监控中对人的监控是计算机视觉的重要应用领域。 数字视频监控中对人体目标的检测和行为理解是数字视频监控系统的主要任务。该系统一般由人体目标的检测、行为理解和高层语义输出三个层次，其中人体目标的检测是后面两个模块的基础，也是本文的选题所在。 另外，得到国家基金委的支持，项目批准号。 二、本领域国内外现状-I 二、本领域国内外现状-II 目前正式使用的视频监控系统很少见报道，但应用领域比较成熟的商业人脸识别软件有美国的Visionics公司的FaceIt和Viisage公司的人脸检测测试软件等。国内有中科模式科技公司和清华大学等都在开展工作。但这些算法一般针对静止图片有较高的识别率。 一些视觉产品要求人体的某些部位（人脸、虹膜、指纹等）在一个高信噪比的图像序列下才有较好的识别成功率，如Iris 。 IEEE专刊上报道的W4系统，porf. Thomas.Huang有不同见解。 实际应用往往是更复杂的背景环境和低质量的数字视频序列，应用到实际的视频监控场景中仍是当今计算机视觉领域的一个热点。计算机视觉的IEEE会议和IEEE专刊在该领域内的刊载每年都很多。 (一)高斯混合模型(MOG)的人体目标检测改进方法 (1)建模 对于图像平面[height,width]上的某位置点，亮度函数为Ｉ，其历史数据记为{I1 ,,I2,…,It-1}，使用Ｋ个高斯分布按均值来归类这些历史数据，称为该点的混合高斯模型。 Ｋ个高斯分布中有些能典型的代表大部分历史数据，即出现的概率较大，相反有些出现的概率较小，但它们的概率和为1。 （2）检测原理--II 若排在第一的高斯模型的概率不明显高于其它模型（50%），如，前两个大概率模型的概率相当（如为30-40%），在这种情况下，将这两个大概率模型时为背景模型子集，若新输入的该位置处象素的亮度值与它们匹配，仍将其判为背景，将这两种模型的均值加权和作为背景点的亮度。 若匹配的是后面的三个模型，则将该象素判为前景人体目标。 （3）模型在线更新 K个高斯模型要动态在线更新，以跟踪变化的背景和不同的人体目标，调整不同模型的出现概率等参数。 匹配成功的第j个模型按下列方式更新 匹配模型的均值更新，方差变小。 Ｋ个高斯分布的权值调整用公式表示为 总之，匹配模型的权值增大，未匹配模型的权值减小。 （4）匹配原理及其简化算法 人体目标检测的关键是新输入的象素亮度值与这k个模型的匹配问题。匹配问题需要计算新输入的象素亮度值在某个模型中的概率值，还要知道每个高斯模型的出现概率，这是比较困难的。 简化算法如下: 为了避免计算新输入的象素亮度值在某个模型中的概率值，可变通为若第j个模型满足下式 则认为当前像素点与第j个分布匹配成功。其中，当匹配阈值设为1.29时，可使模型匹配的置信度达90%以上。 多个模型匹配成功时，应考虑每个高斯模型的出现概率。 小结：将Ｋ个高斯分布按w/σ从大到小排序，并依次与当前像素点进行匹配，若当前像素点与第j个分布匹配成功，则中止与后续模型的匹配。 （5）仿真实验及其缺点 光照无明显变化的分割结果 原始视频 分割结果 光照剧烈变化的分割结果 实验室光照变化 光照变化分割结果 可靠性分析：光照变化时，不适应；运动缓慢时分割效果差 2 克服光照变化的MOG改进方法 (1)提出一种检测帧间光照变化的简便方法 实际应用中视频图像的分辨率较大，逐像素检测亮度的变化是不可能的。本文采用的方法是将每帧分辨率为240*320的彩色图像进行亚抽样为10*10的亮度子图像。计算它与上一帧亮度子图的差分，比较这100个像素亮度均值的帧间变化， 可检测到发生亮度（光照）变化帧。 光照变化的一般规律 (2)不同光照变化情况的处理-I 针对 (a)情况，光线变化之后稳定到t-1时刻亮度值上，原来t-