导读:本文包含了运动对象提取论文开题报告文献综述及选题提纲参考文献，主要关键词:人体行为识别,运动人体提取,方向梯度直方图,抠像
运动对象提取论文文献综述
张燕芬[1]（2015）在《视频运动对象提取与行为识别算法研究》一文中研究指出在大数据时代,随着人们对高速、高质量视频信息的需求日益增长,智能视频分析技术显得越来越看重。人体行为分析是智能视频分析的关键技术之一,是计算机视觉研究领域的一个重要课题,具有非常大的研究价值和意义,其广泛地应用在智能视频监控、老年人监护、虚拟现实、运动分析等领域。现有的大多数人体行为识别方法都是针对图像或RGB视频的研究。然而,当在复杂的背景和噪声实际环境中时,这些方法存在严重的缺陷。随着价格低廉的Kinect出现,针对RGB-D(RGB-Depth)数据的人体行为识别研究已经成为计算机视觉和图像处理领域新的研究热点。本文主要针对Kinect获取的深度图和RGB图像,对人体行为识别展开研究。首先,在RGB视频序列中,为了减少RGB视频序列中复杂的背景对行为识别的影响,本文利用自动抠像的方法,提取RGB视频序列中的运动人体,准确提取运动人体是人体行为识别的前提。本文利用显着性检测作为先验知识来替代人工标注的叁分图,提出了一种新的能量函数,判定该像素点是属于前景还是背景,该能量函数综合考虑了先验知识、颜色以及与图像中心的距离等对像素点判断的影响。其次,针对Histogram of Oriented Gradients(HOG)特征丢失了时间信息的问题,在HOG特征的基础上提出了 Histograms of Temporal Gradient(HTG)特征,该特征可以同时获得空间信息和时间信息,同时,提出了一种新的HTGHOG行为特征表示方法。首先,对深度图像或提取出的运动人体图像提取HTG特征;其次,为了使提取的特征更具有代表性,采用HOG特征方法提取HTG特征在整个时间序列上的特征;最后,为了使其能更好的区分不同时间顺序上的相似动作,构建了一个简单的时间分层结构,采用了基于核函数的极限学习机KELM(Kernel Extreme Learning Machine)来进行行为分类。实验结果表明本文提出的运动对象提取方法能较好地提取运动人体对象。同时,验证了本文提出的特征在深度视频序列和RGB视频序列上具有较好的分辨能力。该方法优于现有的大部分人体行为识别方法。(本文来源于《湖南大学》期刊2015-05-05）
冯伟国[2]（2015）在《视频监控中运动对象提取与海量对象快速检索》一文中研究指出随着技术的发展以及公共安全面临的严峻挑战,中国近年来大规模开展“平安城市”工程建设,视频监控已经在社会中得到非常广泛地应用,并成为主要的安全监控手段和方法。而在智能监控领域中,对海量监控视频进行有效地分析处理成为亟待研究的热点问题。在智能视频监控处理中存在的一些主要问题包括：(1)视频监控中从复杂场景中提取运动对象；(2)视频监控中对于特定事件进行智能分析；(3)视频监控中海量对象的快速检索。针对这些问题,本文进行了相关研究,主要研究工作和创新点如下：1)提出了一种基于局部频域特征的鲁棒运动对象提取方法视频监控中人们最感兴趣的往往是那些运动的对象,然而场景中的噪声以及动态背景等会对提取结果产生很大的影响。为此,本文提出了一种基于局部频域特征的鲁棒运动对象提取方法。该方法首先从视频帧图像中提取像素级的局部频域特征,并通过非参数建模方法构建实时更新的背景模型,最后实验表明,本文的方法与现有的一些算法相比能够在动态背景以及光照变化的场景中取得更好的效果并且平均F值提升了5.46%。2)提出了一种基于归一化运动能量图的运动对象摔倒事件检测方法针对视频监控中需要针对特定事件监测的场景,本文提出了一种基于视频分析的运动对象摔倒事件检测方法。该方法首先使用上述运动对象提取方法从视频中提取出人体轮廓,通过使用椭圆拟合轮廓并产生归一化运动能量图,然后根据从中提取的运动特征使用多类别SVM对摔倒过程的不同阶段进行分类,最后基于一个语法校验模型进一步检测得到摔倒事件。实验结果表明,相较于现有的一些方法本文方法对于摔倒检测的灵敏度达到了95.2%。3)提出了一种支持多种特征融合的海量对象哈希检索方法针对传统哈希检索由于仅仅支持单种特征而存在特征描述不够充分的问题,本文研究并提出了一种支持多特征融合的海量对象哈希检索方法。该方法将多种特征利用核技巧映射到一个非线性组合的核空间中,然后在标注好的训练数据集上学习得到各个对象对应的哈希码,最后学习一个基于非线性组合核空间中超平面投影的哈希函数。基于Youtube Faces数据集和从互联网爬取的人脸图像集的实验表明,本文方法相较于现有的一些方法检索准确率最高可以提升7.6%,并且使用多特征融合的哈希结果优于仅仅使用单个特征时的结果。4)提出了一种基于深度学习的海量对象哈希检索方法针对在哈希学习中所提取的低层特征与高层语义之间存在很大的差异一—即“语义鸿沟”问题,本文提出了一种基于深度学习的语义相似哈希检索方案。该方案包括两种方法：基于层迭RBM的语义相似哈希学习方法(Deep Hash,即DH)和基于CNN的语义感知哈希学习方法(Deep Perceptual Hash,即DPH)。(1)DH方法：从传统哈希学习的目标出发提出新的目标函数以及正则化项,并引入了层迭RBM构建深层哈希学习模型；(2)DPH方法：基于DH方法的思想,使用CNN直接从图像学习得到哈希码,同时引入了正交约束下的学习方法,保证所得哈希码的紧凑性。在CIFARIO数据集上的实验表明,本文提出的基于深度学习的哈希方法性能要优于其他的一些“浅层”哈希方法,其中在生成48比特哈希码的情况下DH方法和DPH方法的平均准确率分别提高了5.72%和8.17%。本文研究是国家自然科学基金“结合多粒度语义的海量视频P2P快速相似性检索”(编号：60975045)、国家科技支撑计划课题“增强型搜索系统架构、关键技术及测试规范的研究”(编号：2011BAH11B01),和中国科学院先导专项子课题“网络视频传播与控制”(编号：XDA06030900)的一部分。(本文来源于《中国科学技术大学》期刊2015-04-01）
周启亚[3]（2014）在《基于压缩感知的监控视频运动对象提取算法》一文中研究指出从监控视频场景中提取出运动对象,对于后续场景理解、语义分析、智能处理有着重要的意义。提取运动对象有检测、跟踪等多种手段,本文提出一种基于压缩感知的监控视频运动对象提取算法,将视频数据分解为稀疏和低秩分量,实验表明算法的有效性。(本文来源于《计算机光盘软件与应用》期刊2014年20期）
谭天,韩建平,陈龙飞[4]（2014）在《面向监控视频检索的关键运动对象提取》一文中研究指出该文提出了一种基于运动对象外观模型的分层聚类算法,用于从对应同一轨迹的运动对象序列中提取关键对象。采用边方向直方图和主颜色直方图描述运动对象的特征,兼顾形状和颜色特征的全局与局部变化。实验表明,使用该方法提取的关键对象数量较少,且能较好地反映运动目标的形态变化。(本文来源于《杭州电子科技大学学报》期刊2014年02期）
严明,李玉惠,李勃,张帆[5]（2014）在《高速公路监控视频中运动车辆对象提取》一文中研究指出结合高速公路交通视频的特点,提出了监控中运动车辆对象提取的方法。该方法利用混合背景差分法提取运动目标,并对目标进行形态学处理,最后结合后退N帧、半监督学习的阈值选取的思想提取车辆对象特征最显着的视频帧。实验结果表明,该方法有效地改善了传统的混合高斯背景差分提取运动对象过程中出现的孔洞、噪声和车辆对象非完整性及特征不显着的问题,进而优化了车辆对象的提取流程。(本文来源于《微型机与应用》期刊2014年02期）
鲁建飞,刘渊,谢振平,吴昊天[6]（2015）在《基于图割的压缩域运动对象提取》一文中研究指出随着在视频监控等方面的应用,视频数据量不断增加,如何快速有效地处理和分析视频内容仍然是一个亟待解决的问题。目前的运动对象提取通常采用像素域的分析方法,虽然有较好的主客观效果,但由于计算复杂度高,在实际应用中有诸多限制。因此,提出了一种基于图割的压缩域运动对象提取算法。该算法基于4×4分块的高斯背景建模,得到视频帧中各子块的初始概率,结合运动矢量(Motion Vector)信息构造压缩域图割能量函数,利用图割算法对前景区域进行修正,从而实现对运动对象的快速提取。与其他运动区域提取算法的对比实验表明,该算法具有较高的准确率和较低的计算复杂度,具有较高的实际使用价值。(本文来源于《计算机工程与应用》期刊2015年06期）
孔祥鹏[7]（2013）在《基于H.264压缩域的运动对象分割提取方法研究》一文中研究指出随着现在IT技术的飞速发展，视频数据信息提取以用来进行有用信息的检索是一种十分重要的用途。在压缩域下进行运动对象的分割提取中，基于MPEG下的方法是比较成熟的方法，其依据的主要分割特征是运动矢量和离散系数，但是由于H.264编码相对于MPEG有很大的不同，因此，在MPEG下的分割方法并不能毫无改变的直接在H.264中使用。H.264的离散系数是利用帧内预测的残差经过一定的处理得到的，而运动矢量也并不是均匀的运动矢量，而是不同尺寸的块是不同的。本文针对H.264压缩域的特点，进行相关方面的研究，针对视频分割提取中的不足，提出了进行运动对象的分割方法如下：第一：根据使用聚类方法在运动对象分割方面的不足，提出了一种使用核聚类的分割方法。首先将压缩域中的运动矢量提取，其次对其进行帧内和帧间归一化处理，然后将其进行滤波去噪处理，再次采用后向估计对其进行多帧其累积，这样获得了处理完成的运动矢量。接着使用减法聚类对运动对象中的块进行初始化操作，然后使用有效指标做为判断条件，使用核聚类分割出运动对象。第二：根据使用单一特征在运动对象分割方面的不足，提出了一种使用残差能量和运动矢量的分割方法。首先根据块的残差能量主要集中在离散系数前几个系数的特点，利用区域残差能量、区域面积、区域形状的相似性，通过使用阈值区域生长合并的方法，获取运动对象的区域。然后根据运动矢量的特性提取运动对象，首先对运动矢量进行处理，然后根据运动矢量的相似性，利用统计区域生长的方法，将运动区域合并，得到运动区域。最后提出了一种结合两种分割结果的处理方法，通过将两者分割的运动区域使用本文提出的结合方法进行处理，从而分割提取出最后的运动对象区域。最后对全文进行了总结，并且对分割中相关问题进行了展望。实验证明，本文提出的分割方法达到了较好的效果。(本文来源于《哈尔滨工程大学》期刊2013-01-01）
高攀[8]（2012）在《视频中运动对象的检测与提取》一文中研究指出在过去的十多年里，视频对象的检测与提取技术已受到了计算机视觉领域的广泛关注。在视频编码中，基于内容和利用人眼视觉特性的第2代编码技术已经提出，提取视频对象可以很大地提高压缩效率，并为存储和传输提供了便利。在MPEG-4标准和正在制定的MPEG-7标准中提出了基于对象的检索和浏览技术。在互联网领域的WEB技术中，我们需要提取视频对象，以对静止或动态场景进行查询和交互。另外在模式识别、计算机视觉、视频检索等领域也得到了广泛的应用。MPEG-4作为第二代的视频编码标准，首次提出了基于目标/对象的编码。但是MPEG-4并没有给出视频对象的具体分割方法，只是对视频的编解码过程进行了定义。视频对象分割方法无论是在视频压缩还是在对象编辑的应用上，都占有着举足轻重的作用。因此对视频对象分割方法的研究具有重大的应用价值和理论意义。在对已有视频分割算法进行详细分析的基础上，基于帧内的分割（空域分割），本文提出一种基于边缘检测和分水岭分割相结合的图像分割算法。该方法首先利用边缘检测算子对图像进行边缘检测，通过边缘点的限制，避免区域的过分割，同时通过改进的分水岭分割补充漏检的边缘，使轮廓更加完整，从而得到较好的分割效果。基于帧间的分割（时域分割），本文分析了运动对象检测和提取的基本方法和理论，利用叁帧差分与背景差分相结合的方法来进行自适应的运动对象提取，提高了算法的效率。实验证明，该算法能准确、快速地检测和分割提取出运动对象并有很强的鲁棒性，有着广泛的适用性，为视频监控对象的压缩和查询操作提供了坚实的理论基础，具有较好的实用价值。(本文来源于《兰州理工大学》期刊2012-04-28）
王丽[9]（2011）在《视频流中运动对象提取与分割的研究》一文中研究指出运动对象分割旨在从一个连续的图像序列中分割出运动的目标,是视频分析的基础,为基于内容的编码、视频检索、视频摘要提供重要的数据信息,并广泛应用于视频监控、视频制作等领域。自基于内容编码为特点的MPEG-4标准公布以来,运动对象分割技术的研究得到了更多的关注。运动对象分割大致可以分为两类:基于像素域的分割和基于压缩域的分割。像素域中一般是通过变化检测等方法来达到分割的目的,其分割结果较准确,但数据量大、计算复杂,对不同场景的分割适应性不强。随着编码技术的发展,压缩域运动对象分割受到了重视,压缩域中视频编码时产生的运动矢量和DCT系数是可以直接利用的特征信息,通过这些特征信息可以快速的提取运动对象,但由于编码以块为单位使得其分割结果不太精确。对于上述优缺点,目前鲜有研究将压缩域提取与像素域分割结合,以达到性能的均衡。H.264是最新的视频编码标准,以其良好的网络适应性和高压缩比的优点,受到了很大的重视,本文的研究工作就是基于H.264视频流的。本文基于压缩域与像素域分割的优缺点,采用了压缩域提取与像素域分割结合的方法。首先,通过H.264视频流中的运动矢量信息提取运动对象区域,然后把区域映射到像素域,在像素域通过马尔可夫随机场(MRF)模型或者Grabcut算法进行细化分割,得到准确的运动对象。本文的主要内容有:(1)对H.264压缩域中运动矢量预处理技术的研究。使用时域加权均值滤波与空域加权矢量中值滤波结合的滤波方法,并采用了累加、6参数全局运动估计、内插等方法得到可靠的运动矢量场。(2)采用基于运动矢量幅度、角度的差异度方法进行运动对象区域提取。(3)提出将H.264压缩域提取对象结果作为马尔可夫随机场(MRF)模型的初始标记场,在像素域中使用MRF模型对压缩域提取结果进行细化分割。(4)提出将压缩域提取结果作为像素域Grabcut的初始交互,并进行自动分割。经实验表明,本文采用的算法能自动有效的分割出运动对象,其分割结果较好,对静止背景序列和动态背景序列均适用。(本文来源于《电子科技大学》期刊2011-04-01）
曲双[10]（2010）在《视频图像中人体运动对象分割提取技术研究》一文中研究指出计算机视觉技术得到了国内外广大学者们越来越多的关注。其中有关视频图像中运动对象的分割提取技术是最为基础和重要的一个研究方面。从视频中快速,准确的分割提取出运动目标,对后续工作的实现至关重要。为了达到快速,精确的分割提取出运动人体的目的,该领域的学者们进行了广泛而深入的研究,并且已经提出了很多有关分割提取的算法。在诸多基于视频图像中人体运动对象的分割提取方法中,混合高斯模型方法是一个经典算法。国内外学者对其进行了深入而广泛的研究和改进。该算法可以适用于较复杂的应用场景,但存在的问题是视频处理时间较长、分割提取后的运动和背景部分仍然存在误分割的像素点。为此,本文提出一个两阶段的视频运动人体分割提取方法。第一阶段在原有混合高斯模型算法的基础上,根据像素点与同一个高斯分布匹配的稳定性,将图像划分成不同区域,根据视频图像中的不同区域采用不同的参数更新策略。对于变化比较稳定的区域,参数进行周期的更新,而变化较为剧烈的区域,参数仍然实时进行更新。这样有效避免了整个图像中每个高斯参数都要进行实时更新匹配的问题,从而缩短了算法的处理时间。通过以上改进后的混和高斯模型方法处理之后,仍然存在分割提取出的运动人体部分边缘毛躁不精确,背景区域含有噪声点的误分割问题。第二阶段采用图切割的方法进行分割提取。将第一阶段分割提取出的运动人体部分,经过膨胀处理,得到扩大后的运动区域作为图切割区域。利用像素点间的空间相关性和同一图像中前景/背景颜色的自相近性定义图切割能量函数。另外,考虑到运动人体会受到阴影的影响,根据HSV颜色模型中阴影的颜色特性,将阴影抑制项添加到能量函数式中。实验表明,分割提取出的运动人体边缘平滑精确,不含阴影;背景部分没有噪声点。在保证精确处理的同时,算法处理速度较快,可以达到人眼视觉对视频的实时性要求。(本文来源于《沈阳航空航天大学》期刊2010-12-08）
运动对象提取论文开题报告
（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：
随着技术的发展以及公共安全面临的严峻挑战,中国近年来大规模开展“平安城市”工程建设,视频监控已经在社会中得到非常广泛地应用,并成为主要的安全监控手段和方法。而在智能监控领域中,对海量监控视频进行有效地分析处理成为亟待研究的热点问题。在智能视频监控处理中存在的一些主要问题包括：(1)视频监控中从复杂场景中提取运动对象；(2)视频监控中对于特定事件进行智能分析；(3)视频监控中海量对象的快速检索。针对这些问题,本文进行了相关研究,主要研究工作和创新点如下：1)提出了一种基于局部频域特征的鲁棒运动对象提取方法视频监控中人们最感兴趣的往往是那些运动的对象,然而场景中的噪声以及动态背景等会对提取结果产生很大的影响。为此,本文提出了一种基于局部频域特征的鲁棒运动对象提取方法。该方法首先从视频帧图像中提取像素级的局部频域特征,并通过非参数建模方法构建实时更新的背景模型,最后实验表明,本文的方法与现有的一些算法相比能够在动态背景以及光照变化的场景中取得更好的效果并且平均F值提升了5.46%。2)提出了一种基于归一化运动能量图的运动对象摔倒事件检测方法针对视频监控中需要针对特定事件监测的场景,本文提出了一种基于视频分析的运动对象摔倒事件检测方法。该方法首先使用上述运动对象提取方法从视频中提取出人体轮廓,通过使用椭圆拟合轮廓并产生归一化运动能量图,然后根据从中提取的运动特征使用多类别SVM对摔倒过程的不同阶段进行分类,最后基于一个语法校验模型进一步检测得到摔倒事件。实验结果表明,相较于现有的一些方法本文方法对于摔倒检测的灵敏度达到了95.2%。3)提出了一种支持多种特征融合的海量对象哈希检索方法针对传统哈希检索由于仅仅支持单种特征而存在特征描述不够充分的问题,本文研究并提出了一种支持多特征融合的海量对象哈希检索方法。该方法将多种特征利用核技巧映射到一个非线性组合的核空间中,然后在标注好的训练数据集上学习得到各个对象对应的哈希码,最后学习一个基于非线性组合核空间中超平面投影的哈希函数。基于Youtube Faces数据集和从互联网爬取的人脸图像集的实验表明,本文方法相较于现有的一些方法检索准确率最高可以提升7.6%,并且使用多特征融合的哈希结果优于仅仅使用单个特征时的结果。4)提出了一种基于深度学习的海量对象哈希检索方法针对在哈希学习中所提取的低层特征与高层语义之间存在很大的差异一—即“语义鸿沟”问题,本文提出了一种基于深度学习的语义相似哈希检索方案。该方案包括两种方法：基于层迭RBM的语义相似哈希学习方法(Deep Hash,即DH)和基于CNN的语义感知哈希学习方法(Deep Perceptual Hash,即DPH)。(1)DH方法：从传统哈希学习的目标出发提出新的目标函数以及正则化项,并引入了层迭RBM构建深层哈希学习模型；(2)DPH方法：基于DH方法的思想,使用CNN直接从图像学习得到哈希码,同时引入了正交约束下的学习方法,保证所得哈希码的紧凑性。在CIFARIO数据集上的实验表明,本文提出的基于深度学习的哈希方法性能要优于其他的一些“浅层”哈希方法,其中在生成48比特哈希码的情况下DH方法和DPH方法的平均准确率分别提高了5.72%和8.17%。本文研究是国家自然科学基金“结合多粒度语义的海量视频P2P快速相似性检索”(编号：60975045)、国家科技支撑计划课题“增强型搜索系统架构、关键技术及测试规范的研究”(编号：2011BAH11B01),和中国科学院先导专项子课题“网络视频传播与控制”(编号：XDA06030900)的一部分。
（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。
运动对象提取论文参考文献
[1].张燕芬.视频运动对象提取与行为识别算法研究[D].湖南大学.2015
[2].冯伟国.视频监控中运动对象提取与海量对象快速检索[D].中国科学技术大学.2015
[3].周启亚.基于压缩感知的监控视频运动对象提取算法[J].计算机光盘软件与应用.2014
[4].谭天,韩建平,陈龙飞.面向监控视频检索的关键运动对象提取[J].杭州电子科技大学学报.2014
[5].严明,李玉惠,李勃,张帆.高速公路监控视频中运动车辆对象提取[J].微型机与应用.2014
[6].鲁建飞,刘渊,谢振平,吴昊天.基于图割的压缩域运动对象提取[J].计算机工程与应用.2015
[7].孔祥鹏.基于H.264压缩域的运动对象分割提取方法研究[D].哈尔滨工程大学.2013
[8].高攀.视频中运动对象的检测与提取[D].兰州理工大学.2012
[9].王丽.视频流中运动对象提取与分割的研究[D].电子科技大学.2011
[10].曲双.视频图像中人体运动对象分割提取技术研究[D].沈阳航空航天大学.2010