前景目标分割论文-朱正伟,张静,饶鹏,陈忻

前景目标分割论文-朱正伟,张静,饶鹏,陈忻

导读:本文包含了前景目标分割论文开题报告文献综述及选题提纲参考文献,主要关键词:叁维重建,自动分割,图割算法,多视图

前景目标分割论文文献综述

朱正伟,张静,饶鹏,陈忻[1](2019)在《一种用于叁维重建的多视图前景目标自动分割算法》一文中研究指出基于序列图像的叁维物体重建之前,从图像中分割前景目标可节约大量时间。但传统的分割算法需要通过用户输入来确定前、后景,而基于图像的叁维重建需要大量的图像,造成极大的人工浪费。为此提出一种用于叁维重建的多视图前景目标自动分割算法。对每个图像进行颜色一致性和几何一致性分析,确定前景和后景大致区域,得到初始输入,并以此构建能量方程。使用Graph Cut算法求解方程得到粗略分割结果;使用Matting细化分割边界,得到高质量的分割结果;使用分割后图片重建出物体叁维模型。实验结果表明,该算法可自动分割出多视图图像的前景目标,且具有极高的准确率和良好的边缘。将该算法用于叁维重建的前期图像处理,可大大提高叁维重建的速度。(本文来源于《计算机应用与软件》期刊2019年06期)

李忠海,杨超,梁书浩[2](2018)在《基于前景判别超像素分割的目标检测跟踪算法》一文中研究指出为改进由目标尺度变化和遮挡情况引起检测不准确的问题。提出在贝叶斯概率下,结合强分类器与超像素分割跟踪方法。利用HOG特征进行AdaBoost目标前景判别,确定搜素区域;在训练阶段,采用SLIC分割与MeanShift聚类形成超像素,计算置信值构造判别外观模型;在跟踪阶段,结合超像素特征池,生成模板直方图与置信图,候选样本采样,生成候选样本置信值,建立生成型外观模型;结合观测模型与运动模型,计算最大后验估计,确定跟踪目标。实验表明,前景判别超像素跟踪算法,能有效地解决目标尺寸变化和遮挡问题。(本文来源于《火力与指挥控制》期刊2018年02期)

魏颖,郭鲁[3](2016)在《一种结合背景聚类的快速前景分割的Vibe目标检测算法》一文中研究指出针对视频中提取出完整运动目标,提出了一种结合背景聚类的快速前景分割的Vibe目标检测算法。首先通过Vibe目标检测算法初步找出当前帧中的所有存在的目标前景区域;然后进一步的选择从而滤去无效前景区域,合并有效区域;最后结合背景聚类的快速前景分割算法来分割出更加完整的目标前景,实验结果表明,本算法与传统的背景建模方法相比,达到了很好的检测效果。(本文来源于《黑龙江科技信息》期刊2016年04期)

冯金蕾[4](2015)在《基于活动轮廓和双目视差的前景目标分割算法研究》一文中研究指出图像分割是基于图像的目标检测、识别与跟踪的关键步骤,也是计算机视觉领域的研究热点之一。在过去的20年里,理论与实验大都致力于单目图像分割算法的研究,活动轮廓模型因具有易于建模且数学求解高效等优点,被广泛应用于单目图像分割。随着立体图像在目标识别、目标跟踪及自动导航等领域发挥重要作用,越来越多的学者开始关注立体图像分割技术。本研究借鉴用于单目灰度图像分割的活动轮廓模型的构建经验,结合初始轮廓自适应提取方法,实现了活动轮廓模型对复杂结构彩色立体图像的自适应且自动分割,为基于立体图像的目标自动检测、自动识别等应用提供理论支持。目前为止,研究者已提出诸多有效的活动轮廓模型,其中基于局部信息的Local Chan-Vese(LCV)模型因其不含有图像梯度,且对目标物体拓扑结构的变化适应性较好,而得到广泛应用。但其也存在诸多缺点,如对初始轮廓敏感,划分局部区域无参考准则,同时仅适用于分割单目灰度图像,不适用于彩色立体图像分割。为了克服以上问题与不足,针对双目立体图像,提出了一种基于活动轮廓和双目视差的前景目标分割算法。该算法包括自适应选择初始轮廓的位置和曲线演化两部分。首先,利用立体图像对的双目视差对目标图像进行预分割,然后将其分割结果构造为初始轮廓,由于基于双目视差提取的初始轮廓逼近前景目标边界,从而降低了对分割结果的影响。曲线演化以水平集方法为基础,以包含全部前景目标信息的局部图像为演化图像,既减少演化迭代次数,又降低了背景对分割结果的影响。利用标准立体图像对提出的分割算法进行了性能评价,实验结果表明本文提出的基于活动轮廓和双目视差的前景目标分割算法能有效分割立体图像。与传统的活动轮廓模型相比,在引入双目视差后,本文算法能自适应地定义初始轮廓,有效降低其对分割结果的影响,并且去除大部分背景,以局部信息进行曲线演化,减少轮廓曲线演化迭代次数,分割效率更高,最终得到令人满意的分割结果。(本文来源于《哈尔滨师范大学》期刊2015-05-01)

牛杰,卜雄洙,钱堃[5](2014)在《基于前景分割的目标实时检测方法》一文中研究指出针对基于单一颜色信息的目标分割算法易受光线因素影响的问题,提出一种颜色及深度信息融合进行前景分割的目标实时检测方法。采用Kinect传感器采集低成本深度(RGB-D)图像,利用改进的ViBe算法及多帧差分法分别对于RGB以及深度图像进行建模。前景分割后,利用选取基准(SC)融合策略优化目标结果,然后通过rg Chromaticity颜色模型计算前景区域直方图信息并与模板匹配完成目标标记。实验结果表明,该方法对于环境光线及噪声干扰具有一定的鲁棒性,对于ViBe算法中背景前景同色误检及"鬼影"现象,对于深度图像分割中前景背景距离过近而造成误检现象都有很好的识别效果。(本文来源于《计算机应用》期刊2014年05期)

陈俊周,李炜,王春瑶[6](2014)在《一种动态场景下的视频前景目标分割方法》一文中研究指出视频中运动前景目标的分割是计算机视觉领域的一项关键问题,在视频监控、检索、事件检测等多个方面具有重要应用价值。现有视频前景目标分割技术主要针对静态场景,在动态场景下难以获取良好效果。该文提出一种高斯混合模型与光流残差相结合的前景目标分割方法。该方法使用高斯混合模型建模,提取初步的前景区域;利用光流残差进一步滤除其中动态纹理背景干扰;采用形态学处理获得前景目标。实验显示,与现有方法相比,该方法可更准确地从动态场景中分割出前景目标轮廓。(本文来源于《电子科技大学学报》期刊2014年02期)

孙宁[7](2013)在《基于自动标记的彩色图像前景目标分割》一文中研究指出随着信息技术的迅猛发展,图像处理技术在诸如军事防御、医疗诊断、气象监测等领域发挥着越来越重要的作用。作为一种基本的计算机视觉技术,图像分割是图像处理的关键技术之一,其分割效果的好坏直接影响图像分析的性能。现有的图像分割方法在实际应用中存在较大的局限,如目标分割不精确、分割耗时、过多人工干预等,因此图像分割一直是计算机视觉技术中的难题之一,也是近年来国内外专家学者研究的热点。本文研究的是彩色图像目标的分割方法,目的是通过一种有效的分割方法提取出彩色图像的前景目标。本文介绍了彩色图像分割的基本理论和常用方法,提出一种以像素块为单位的分割方法,相比传统像素域的分割方法,该方法的分割速度大幅提升;加入了学习机制,用分割准确率更高的“软分割”代替了传统的“硬分割”,提高了分割的准确率;提出了约束最小生成树生长算法,改善了传统最小生成树生长算法带来的分割不精确问题。本文研究内容主要由块特征提取、种子点自动标记和区域生长叁部分构成,具体方法如下:将图像集分为训练集和测试集,在块特征提取阶段,对每幅图像进行分块,每块为若干像素的集合,提取每个像素块的颜色矩及部分DCT系数作为像素块特征;在自动标记阶段,对训练集中每个特征进行类别(前景目标或背景)标记,利用支持向量机对特征向量进行训练,通过训练后得到的模型对测试集中每个特征向量进行类别的标记,再通过离群点叁层监测模型过滤离群点;在区域生长阶段,将前一阶段标记为前景目标的像素块作为根节点构造约束最小生成树,之后通过约束最小生成树的合并算法实现区域的生长,得到最终的分割区域。本文在Corel数据集上对该分割方法进行了验证,实验证明该方法具有较高的分割准确率,而且可以应用于不同类别的图像,不会因领域知识跨度大而受干扰,具有一定的理论指导意义和工程应用价值。(本文来源于《西南大学》期刊2013-04-16)

杨帆[8](2010)在《基于前景/背景分割和特征包算法的目标跟踪》一文中研究指出本文所研究的目标跟踪技术是计算机视觉的一个重要方面,尤其在最近二十年受到越来越多的关注,目标跟踪技术可以用于民用和军事的多个方面,降低人力物力的需求,应用前景广阔。本文总结了目标跟踪领域的经典理论和算法,提出了针对目标跟踪技术不同方面的改进算法,通过大量实验证明了算法的有效性,所提出的改进算法对于复杂场景的处理已经超越了部分最新的算法。为了实现图像中的前景背景分割,本文提出了Boosted颜色软分割算法,采用了基于Boosting的框架,迭代的挑选具有较强分辨率的样本,用于图像中彩色像素的分类,实现强化前景和背景差异的目的,与传统的颜色软分割相比,效果有较为明显的提升。此外,为了进一步强化前景和背景的差异,本文将Boosted颜色软分割算法与带参考信号的独立成分分析算法结合,设计了合适的融合策略,提高了跟踪的准确度。本文将在目标分类领域取得显着效果的“特征包”(bag of features)算法引入到目标跟踪中。该算法能够在大量训练样本中发现最有代表性的部分样本特征,将其用于建模和后续的决策。尽管如此,本文并没有不加修改的使用该算法,而是吸收了其主要思想,在粒子滤波算法的框架下提出了适合目标跟踪的改进算法,并加入了合适的更新策略和两种特征的协作方式,提升了跟踪效果。由于考虑到目标的局部信息,本文的算法对于遮挡有明显的鲁棒性。通过大量的实验数据表明,本文提出的运动目标检测与跟踪算法较以往的经典算法相比在性能上有了很大的提升,具有更强的鲁棒性。(本文来源于《大连理工大学》期刊2010-11-13)

曹志刚,李宇成[9](2010)在《运动目标的前景与背景实时分割》一文中研究指出给出了一种用DirectShow实时采集视频图像,用OpenCV对其进行处理,实现了前景与背景分割的方法。针对单独使用混合高斯模型易受光照等因素影响的缺陷,在其前引入了Canny算子,从而很好地解决了上述问题。实验表明,该方法能够实现实时视频图像采集与前景、背景分割,为后续的跟踪、流量统计等相关处理做好了准备。(本文来源于《全国冶金自动化信息网2010年年会论文集》期刊2010-05-22)

高琳,唐鹏,盛鹏[10](2010)在《基于前景分割和特征空间自适应选择的视觉目标跟踪》一文中研究指出提出一种视觉跟踪任务中鲁棒的目标模型更新算法.首先利用结合空域信息的特征直方图对目标和背景进行建模;然后通过引入信息论中的交叉熵,定量地评价各个特征空间下目标和背景的差异性,选择差异性最大的特征空间更新目标模型,并用均值漂移算法定位目标.为解决模型更新中的偏移问题,采用条件随机场(CRF)模型,通过融合图像序列的时空上下文信息分割出目标前景,利用分割结果减小模型更新的误差.实验结果验证了该算法的有效性.(本文来源于《控制与决策》期刊2010年02期)

前景目标分割论文开题报告

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

为改进由目标尺度变化和遮挡情况引起检测不准确的问题。提出在贝叶斯概率下,结合强分类器与超像素分割跟踪方法。利用HOG特征进行AdaBoost目标前景判别,确定搜素区域;在训练阶段,采用SLIC分割与MeanShift聚类形成超像素,计算置信值构造判别外观模型;在跟踪阶段,结合超像素特征池,生成模板直方图与置信图,候选样本采样,生成候选样本置信值,建立生成型外观模型;结合观测模型与运动模型,计算最大后验估计,确定跟踪目标。实验表明,前景判别超像素跟踪算法,能有效地解决目标尺寸变化和遮挡问题。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

前景目标分割论文参考文献

[1].朱正伟,张静,饶鹏,陈忻.一种用于叁维重建的多视图前景目标自动分割算法[J].计算机应用与软件.2019

[2].李忠海,杨超,梁书浩.基于前景判别超像素分割的目标检测跟踪算法[J].火力与指挥控制.2018

[3].魏颖,郭鲁.一种结合背景聚类的快速前景分割的Vibe目标检测算法[J].黑龙江科技信息.2016

[4].冯金蕾.基于活动轮廓和双目视差的前景目标分割算法研究[D].哈尔滨师范大学.2015

[5].牛杰,卜雄洙,钱堃.基于前景分割的目标实时检测方法[J].计算机应用.2014

[6].陈俊周,李炜,王春瑶.一种动态场景下的视频前景目标分割方法[J].电子科技大学学报.2014

[7].孙宁.基于自动标记的彩色图像前景目标分割[D].西南大学.2013

[8].杨帆.基于前景/背景分割和特征包算法的目标跟踪[D].大连理工大学.2010

[9].曹志刚,李宇成.运动目标的前景与背景实时分割[C].全国冶金自动化信息网2010年年会论文集.2010

[10].高琳,唐鹏,盛鹏.基于前景分割和特征空间自适应选择的视觉目标跟踪[J].控制与决策.2010

标签:;  ;  ;  ;  

前景目标分割论文-朱正伟,张静,饶鹏,陈忻
下载Doc文档

猜你喜欢