导读:本文包含了自动视频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:信息质心,图像自动分割,视频自动分割,显着性检测
自动视频分割论文文献综述
尹露露[1]（2018）在《基于信息质心的图像及视频自动分割算法研究》一文中研究指出现如今,由于图像及视频分割具有的实用价值和对理论的引导作用,所以它仍然是计算机视觉领域的一个重要研究方向,也是众多基于图像及视频分析的高层视觉应用的基础研究内容,为高层视觉应用的研究提供了有效的低层特征和研究对象。然而,研究员们所追求的是理想的自动分割算法,但目前的算法还不具备比较理想的高效性和自动性,以至于无法普遍满足于各类场景应用的需求。因此,针对高效且自动的分割问题,本文提出了一套解决方案,通过以信息质心为核心理论来指导分割算法对图像及视频进行高效且自动地分割。主要研究内容如下:首先,本文提出了信息质心算法。信息质心理论是一种聚类理论,认为图像内存在一个支点使之平衡,其包含了质心信息量和质心坐标这两个属性。基于信息质心理论,本文通过杠杆平衡原理以及数学推导提出了一种抽象的信息质心算法,并具体应用于后续的图像及视频自动分割算法。其次,基于信息质心,本文研究了图像自动分割算法。基于这样的理念:理想的显着图可以被轻易地分割出我们感兴趣的对象。本文采取了从显着性检测到分割这样一个流程。通过预处理及SLIC超像素分割,我们得到了多个近似均匀的区域,并为每个区域分配一个局部信息质心,而通过聚合所有局部信息质心又能聚合成一个全局信息质心。通过对比这些局部信息质心,我们得到了独立性和分布性显着图,并运用全局信息质心强化了独立性显着图。合并这两种显着图后,我们发现图像具有不平滑性,所以又采取了上采样操作。通过SaliencyCut算法,本文自动提取出了感兴趣的对象。基于信息质心,本文研究了视频自动分割算法。根据之前研究的基于信息质心的显着性检测算法,我们得到了显着图。由于针对的是连续的帧图像,所以可能存在不理想的显着图。因此,本文提出了基于信息质心的显着性缺陷检测算法,通过检测连续帧图像显着图之间的质心欧氏距离的合理性,从而优化出理想的显着图。基于优质的显着图,SaliencyCut算法存在着过分割现象,因此本文对此进行了优化,最终生成了理想的分割视频。最后,本文在每章都设有实验结果与分析。对于图像而言,本文采用了MSRA1K数据集对显着性检测算法进行了可视化和性能分析;对视频而言,本文采用了DAVIS数据集对本文分割算法进行了可视化和性能分析。最后实验结果表明了这两种算法都具有良好的鲁棒性和验证了信息质心算法的有效性。(本文来源于《深圳大学》期刊2018-06-30）
余欣纬[2]（2017）在《复杂场景下视频目标自动分割算法研究》一文中研究指出随着互联网基础设施的逐步升级以及移动终端的快速普及,人们可以越来越方便地拍摄和观看视频。视频由于其本身所携带信息的丰富性和生动性,成为了人们生活中重要的信息传播载体之一。不断增长的海量视频数据也带来了如何识别、检索和理解视频内容的需求。如何降低视频内容理解难度,提炼出视频中的关键信息成为当前视频处理领域的重要研究课题。由于视频目标分割的研究目标是有效分割出具有显着性特征的前景目标,所以它在视频摘要、视频检索、动作分析和视频语义理解等领域拥有广泛的应用。当前的视频目标分割算法大多属于自底向上的方法,通过获取并分析视频中颜色和边缘特征、运动信息等底层特征分割出具有显着性特点的前景目标。传统基于人工标注的算法已经不能满足当前大规模视频数据环境下的应用需求。同时,海量视频中包含的场景和拍摄条件是复杂而多样的,使得当前的自动化视频目标分割算法并不能在一些复杂场景中仍保持较好的鲁棒性。针对上述问题,本文提出了两种适用于不同场景的视频目标自动分割算法。主要研究工作和创新点如下:1.现有基于图割的算法容易受到背景噪声和像素点失配的干扰,在一些复杂场景下鲁棒性不佳。本文提出了 一种基于光流场和图割的视频目标自动分割算法,针对上述问题做了改进。在对前景目标分割前,该算法预先对视频全局动作特征进行分析,获得了前景目标的先验知识,减少了背景噪声对算法的干扰。针对像素点失配问题,该算法提出了动态位置模型优化机制,利用前景目标的位置模型增强了分割结果的时域连续性。实验表明,该算法在镜头快速移动、前景目标运动特征不规律等场景下能够获得更加准确和鲁棒的分割结果。2.在一些复杂场景下,现有基到候选目标的算法往往会出现分割结果部分缺失的问题,这一问题的根源在于候选目标过于碎片化以及候选目标间的时域映射关系不够准确。本文提出了一种基于候选目标的改进算法。该算法对原生候选目标进行了时域扩展与合并,不仅改善了候选目标碎片化的问题,还提高了相邻帧间候选目标的时域连续性。为了进一步增强模型时域映射关系的准确性,该算法引入了更多图像特征用于度量模型的边权值。在多个基准数据集上的实验表明,相较于现有同类算法,该算法对背景噪声的抗噪能力更强,在背景环境复杂、水面倒影等场景中分割结果更加完整。(本文来源于《中国科学技术大学》期刊2017-04-01）
程婷婷,郭立君,黄元捷[3]（2015）在《基于鲁棒高阶条件随机场的视频自动分割》一文中研究指出针对交互式分割方法存在用户标注繁琐和过分割现象,以及仅考虑二元项不能获得图像中准确的物体边界等问题,结合鲁棒高阶条件随机场,提出一种视频自动分割方法。采用基于超像素显着性特征的分割方法对视频初始帧进行自动分割,其结果作为初始化种子建立模型。根据颜色信息设计高斯混合模型,基于纹理、形状等特征,利用联合Boosting算法训练Jointboost强分类器模型,通过条件随机场提高分割准确度。引入基于超立体像素的高阶项,增加像素与区域的关联,提高分割边界的平滑度。实验结果表明,该方法明显地提高了分割效果。(本文来源于《计算机工程》期刊2015年07期）
程婷婷[4]（2015）在《基于高阶CRF的视频多目标自动分割技术研究》一文中研究指出根据初始化信息的来源不同,视频分割方法可分为有监督分割、半监督分割和无监督分割叁种。有监督和半监督的视频分割是将手动标注的像素种子点作为样本训练分割模型,该分割模型有较好的拟合性,分割速度快,而且效果佳,但手动标注工作量庞大且繁琐,甚至在分割不准确时需再次交互,这不仅增加了交互负担,而且分割模型的建立对用户标记的差异敏感,所以传统的交互式图像分割方法适用于以编辑为目的的部分视频应用,并不适用于以自动分割为基础的其他视频应用。由于没有人为的先验信息,无监督视频分割完全依靠视频本身提供的线索以及模型的性能和可靠性实现自动分割,其难度较大。由于前景背景二类分割不能为场景识别和理解提供足够的信息,故本文研究多类对象分割以得到对象级别的目标,为视频场景理解奠定基础。本文研究了一系列视频多目标自动分割所涉及的问题,其内容和贡献主要包括以下几方面:(1)将普通的二值分割扩展到多类目标分割。该方法根据初始化信息,为每一类样本建立颜色概率模型GMM;考虑到视频中由运动引起的变化以及帧中纹理信息,故基于SIFT特征和纹理特征建立强分类器模型,由两个模型联合描述像素所属标签,增强了模型的鲁棒性。(2)提出了一种自动初始化先验信息的方法。传统的视频分割中要求提供第一帧的手动标注结果作为初始化或通过人机交互获得初始化种子,这在实际应用中增加了用户的负担。本文将基于热扩散原理的分割方法和突出区域检测结合对初始帧进行分割,该方法无需监督即可获得初始帧的多目标粗分割。(3)鉴于视频分割中时间是一个重要的线索,所以在CRF中加入基于超立体像素的高阶项,超立体像素由标签一致的时空邻域像素组成,其涵括时空信息,故可以保证分割时空边界的准确性。(本文来源于《宁波大学》期刊2015-06-15）
胡江华,汤进,李成龙,罗斌[5]（2013）在《视频监控系统中行人的自动分割算法》一文中研究指出视频监控系统在智能安防等众多领域有着广泛的应用空间,是近年来研究的热点之一。行人的分割在视频监控系统中极其重要,其分割的有效性直接影响目标识别、行为理解等。本文提出一种自动的行人分割算法,使用基于HOG特征的行人检测算法对目标进行定位,获得粗略的前景和背景信息,把获得的预分割信息作为GrabCut算法的先验知识,无需交互式操作,自动地对行人进行精确分割。实验证明该算法不仅有效,而且能满足应用需求。(本文来源于《计算机与现代化》期刊2013年08期）
丁友东,吴学纯[6]（2013）在《基于Kinect的人体对象视频自动分割》一文中研究指出在视频中把人体对象从复杂背景中自动分割出来是一个非常有挑战性的问题。对此提出了一个新的人体对象自动分割方法,可以在相对复杂的背景下分割出人体对象。首先利用Kinect对视频中的人体骨架信息进行跟踪,然后把骨架信息映射到高质量摄像头拍摄的视频中,最后利用跟踪到的骨架信息对高质量图片中的人体对象进行分割。为了得到这个映射关系,利用SURF特征进行匹配,根据匹配的体征点,采用最小二乘法估计映射参数。最后,利用映射后的人体骨架信息,对图片进行标记,然后采用Lazy-Snapping算法对图片进行人体对象分割。实验结果表明,该方法在640×480分辨率的视频中对人体对象的自动分割可以达到20帧/秒,而且精度与文中提到的其他算法相当。(本文来源于《电子测量技术》期刊2013年04期）
袁霞[7]（2012）在《头肩图像视频的自动分割》一文中研究指出分割是计算机视觉的基本研究问题,也是近几年来比较热的研究方向之一。分割是指从图像或视频序列中提取出感兴趣的前景物体。随着计算机视觉的发展,涌现了大量的图像和视频分割算法。这些算法可分为交互式分割和自动分割两类。近几年,交互式分割研究已经有了很大的发展和提高；然而,由于分割本身的二义性,对于完全自动分割仍然是一个挑战性任务。对于复杂场景的分割,无需任何用户交互的自动分割是极其困难的。因此,大部分分割算法都基于用户交互。然而,自动分割算法在某些特定的领域有着非常重要的应用,如网络会议,视频聊天、手机摄像等嵌入式设备的应用。本文将研究与头肩图像、视频相关的自动分割。主要包括以下四个方面内容：1)对分割算法现有的研究成果进行了全面的概括和总结,对最近比较热的视频图像分割算法进行了讨论和评估,对这些算法的优点和局限进行了整理和归纳。2)介绍了一种正面头肩图像的自动分割算法,该算法主要联合边缘特征和形状先验模型自动提取头肩前景轮廓,本文算法有以下两个方面的优势：一、通过最短代价路径分割(CPS)算法提取初始的前景轮廓；二、在初始分割的基础上,构建一个灵活的先验形状模型,提取最终的前景目标图像。通过大量的实验结果,证明了该算法有效性和实用性。与先前的相关算法相比,本文算法对于复杂的头肩图像分割更加鲁棒。3)在图像分割的基础上提出了一种自动的头肩视频分割算法。该算法能够自动初始化,当视频序列中场景发生突变时,能自动检测并重新恢复。视频分割算法是基于运动估计方法提出的,结合测地距离算法完成视频分割。4)论文最后对全文工作进行总结和分析,提出算法的局限和未来进一步研究的方向。(本文来源于《浙江大学》期刊2012-02-15）
曹政[8]（2010）在《电视节目自动分割与相似视频检索》一文中研究指出随着网络电视和数字电视的广泛普及,为了满足用户的个性化点播、节目内容监管和视频检索的需求,从连续的电视数据流中进行电视节目自动分割和相似视频检索成为需要解决的重要课题。论文所作的工作和创新点如下：通过分析电视节目的编排特点,提出了基于音视频特征的电视广告检测算法,利用静音、镜头边界和广告长度特征,实现广告检测和分割,实验表明该算法对广告检测的准确率达到90%以上；同时根据电视节目片段(如片头／尾)的重复特性,提出了基于多粒度直方图比较的重复检测算法,通过基于多粒度直方图的比较和视频边界调整策略,提高了重复片段检测的准确率；为进一步提高算法效率和抗噪性,提出了基于图像帧统计特征顺序度量的视频签名算法。综合上述方法实现电视节目的自动分割。实验表明算法对重复片段的检测准确率达到95%以上。为了提高视频特征提取的计算效率,实现视频相似性的准确度量,从视频的视觉相似性出发,提出了基于视频签名的特征提取和相似性度量算法,根据视频时空分布的统计特征生成压缩视频签名,通过计算视频签名距离进行视频相似性度量。为进一步提高视频相似性度量的准确性,提出了基于视频单元的特征提取和相似性度量算法,根据结合视频时空统计特征的图像特征码生成视频单元,通过统计相似视频单元数量进行视频相似性度量,实现视频特征的快速计算和相似性准确度量。实验表明视频相似性度量的准确率达到94%以上,算法计算效率比现有对比算法提高了40%以上。为了实现相似视频快速检索,将视频特征与视频索引相结合,提出了基于视频签名的聚类索引算法,通过对视频签名哈希值的聚类实现相似视频的快速检索。为进一步提高检索质量,提出了基于视频单元的聚类索引算法,实现相似视频单元聚类,提高了视频检索和数据索引维护效率。实验表明该算法准确率达到95%以上,在一般个人计算机配置下,算法效率可以达到每万段视频检索时间小于0.01s。利用上述研究成果,构建了视频相似检索实验平台。支持基于内容的视频相似检索、基于关键字的视频检索和视频在线点播,并应用于863计划课题“友问视频搜索系统”研究成果。(本文来源于《中国科学技术大学》期刊2010-04-01）
程淑红,胡春海[9]（2009）在《基于时空域的自动视频对象分割算法》一文中研究指出提出一种在视频序列中从背景里分离出运动对象的方法。使用全局运动估计和补偿进行预处理后,对视频序列中相邻帧进行连续两次差分,利用自适应滤波滤除噪声,并进行形态学处理,差分交集技术消除覆盖、显露的背景及部分噪声,最后模板匹配和更新,不仅能够得到快速变化的对象,而且能够得到视频对象暂时停止运动的部分。实验结果表明,该方法能够自动从视频序列中较好地提取出运动对象,具有较强的鲁棒性。(本文来源于《应用光学》期刊2009年05期）
杨文佳,窦丽华,张娟[10]（2009）在《一种自动分割跟踪视频运动对象的方法》一文中研究指出针对视频图像中单个运动对象的分割和跟踪问题,提出了一种基于时空离散度的视频对象分割跟踪算法。该算法首先采用时空离散度进行运动对象区域的粗定位;然后通过形态学算子来进行细定位,并获取运动物体的二值模型;再然后使用部分Hausdorff距离实现后续帧中运动对象模型的匹配;最后为了容纳运动对象在视场中形状的变化,在图像距离空间中引入了欧几里德范数作为约束条件来完成运动物体模型的更新。实验表明,在运动对象跟踪过程中相邻位置差未超过2个像素点,从而验证了算法的有效性。(本文来源于《光学技术》期刊2009年02期）
自动视频分割论文开题报告
（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：
随着互联网基础设施的逐步升级以及移动终端的快速普及,人们可以越来越方便地拍摄和观看视频。视频由于其本身所携带信息的丰富性和生动性,成为了人们生活中重要的信息传播载体之一。不断增长的海量视频数据也带来了如何识别、检索和理解视频内容的需求。如何降低视频内容理解难度,提炼出视频中的关键信息成为当前视频处理领域的重要研究课题。由于视频目标分割的研究目标是有效分割出具有显着性特征的前景目标,所以它在视频摘要、视频检索、动作分析和视频语义理解等领域拥有广泛的应用。当前的视频目标分割算法大多属于自底向上的方法,通过获取并分析视频中颜色和边缘特征、运动信息等底层特征分割出具有显着性特点的前景目标。传统基于人工标注的算法已经不能满足当前大规模视频数据环境下的应用需求。同时,海量视频中包含的场景和拍摄条件是复杂而多样的,使得当前的自动化视频目标分割算法并不能在一些复杂场景中仍保持较好的鲁棒性。针对上述问题,本文提出了两种适用于不同场景的视频目标自动分割算法。主要研究工作和创新点如下:1.现有基于图割的算法容易受到背景噪声和像素点失配的干扰,在一些复杂场景下鲁棒性不佳。本文提出了 一种基于光流场和图割的视频目标自动分割算法,针对上述问题做了改进。在对前景目标分割前,该算法预先对视频全局动作特征进行分析,获得了前景目标的先验知识,减少了背景噪声对算法的干扰。针对像素点失配问题,该算法提出了动态位置模型优化机制,利用前景目标的位置模型增强了分割结果的时域连续性。实验表明,该算法在镜头快速移动、前景目标运动特征不规律等场景下能够获得更加准确和鲁棒的分割结果。2.在一些复杂场景下,现有基到候选目标的算法往往会出现分割结果部分缺失的问题,这一问题的根源在于候选目标过于碎片化以及候选目标间的时域映射关系不够准确。本文提出了一种基于候选目标的改进算法。该算法对原生候选目标进行了时域扩展与合并,不仅改善了候选目标碎片化的问题,还提高了相邻帧间候选目标的时域连续性。为了进一步增强模型时域映射关系的准确性,该算法引入了更多图像特征用于度量模型的边权值。在多个基准数据集上的实验表明,相较于现有同类算法,该算法对背景噪声的抗噪能力更强,在背景环境复杂、水面倒影等场景中分割结果更加完整。
（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。
自动视频分割论文参考文献
[1].尹露露.基于信息质心的图像及视频自动分割算法研究[D].深圳大学.2018
[2].余欣纬.复杂场景下视频目标自动分割算法研究[D].中国科学技术大学.2017
[3].程婷婷,郭立君,黄元捷.基于鲁棒高阶条件随机场的视频自动分割[J].计算机工程.2015
[4].程婷婷.基于高阶CRF的视频多目标自动分割技术研究[D].宁波大学.2015
[5].胡江华,汤进,李成龙,罗斌.视频监控系统中行人的自动分割算法[J].计算机与现代化.2013
[6].丁友东,吴学纯.基于Kinect的人体对象视频自动分割[J].电子测量技术.2013
[7].袁霞.头肩图像视频的自动分割[D].浙江大学.2012
[8].曹政.电视节目自动分割与相似视频检索[D].中国科学技术大学.2010
[9].程淑红,胡春海.基于时空域的自动视频对象分割算法[J].应用光学.2009
[10].杨文佳,窦丽华,张娟.一种自动分割跟踪视频运动对象的方法[J].光学技术.2009