运动目标分割 - 360文档中心

运动背景下移动目标分割定位算法研究

ｆｒｏｍｍｅａｎｓｈｉｆｔｃｌｕｓｔｅｒｉｎｇ．Ｔｈｅｒｅｓｕｌｔｓｉｎｄｉｃａｔｅｔｈａｔｔｈｉｓｍｅｔｈｏｄｃａｎｒｅａｌｉｚｅｍｏｖｉｎｇｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｃｃｕｒａｔｅｌｙ．Ｋｅｙｗｏｒｄｓ：ｍｏｖｉｎｇｓｃｅｎｅｓ；ｓｅｇｍｅｎｔａｔｉｏｎａｎｄｌｏｃａｔｉｏｎｏｆｏｂｊｅｃｔ；ｂａｃｋｇｒｏｕｎｄｃｏｍｐｅｎｓａｔｉｏｎ；ｍｅａｎｓｈｉｔｆ
１背景运动补偿及帧间差分
背景运动补偿主要包括角点的提取，角点的匹配，外点的去除鲁棒估计算法以及仿射变换矩阵的计算。利用补偿后的参考帧与当前帧进行帧间差分得到差分图像。
１．１Ｈａｒｒｉｓ角点提取
Ｈａｒｒｉｓ角点检测 ¨ 叫相对于ＳＩＦＴ角点检测简单实时性好，满足我们的要求，比如美国中央佛罗里达大学计算机视觉实验室开发出的基于Ｍａｔｌａｂ的ＣＯＣＯＡ系统用的就是Ｈａｒｒｉｓ角点检测。Ｈａｒｒｉｓ角点是指图像灰
徐克虎（１９６３一），男（汉族），安徽蚌埠人。博士，教授，主要研究方向为系统仿真技术。Ｅ－ｍａｉｌ：ｈｎｄｘｗｔｚ＠１２６．ｃｏｍ。
ｈｔｔｐ：／／ｗｗｗｇｄｇｃａｃ．ｃｎ

目标识别与检测相关概念

⽬标识别与检测相关概念⼀. 明确⼏个概念：1. ⽬标分割（Target Segmentation）：任务是把⽬标对应部分分割出来。

像素级的前景与背景的分类问题，将背景剔除。

举例：（以对视频中的⼩明同学进⾏跟踪为例，列举处理过程）第⼀步进⾏⽬标分割，采集第⼀帧视频图像，因为⼈脸部的肤⾊偏黄，因此可以通过颜⾊特征将⼈脸与背景分割出来。

2. ⽬标检测（Target Detection）：定位⽬标，确定⽬标位置和⼤⼩。

检测⽬标的有⽆。

检测有明确⽬的性，需要检测什么就去获取样本，然后训练得到模型，最后直接去图像上进⾏匹配，其实也是识别的过程。

举例：第⼆步进⾏⽬标识别，分割出来后的图像有可能不仅仅包含⼈脸，可能还有部分环境中颜⾊也偏黄的物体，此时可以通过⼀定的形状特征将图像中所有的⼈脸准确找出来，确定其位置及范围。

3.⽬标识别（Target Recognition）：定性⽬标，确定⽬标的具体模式（类别）。

举例：第三步进⾏⽬标识别，将图像中的所有⼈脸与⼩明的⼈脸特征进⾏对⽐，找到匹配度最好的，从⽽确定哪个是⼩明。

4.⽬标跟踪（Target Tracking）：追踪⽬标运动轨迹。

举例：第四步进⾏⽬标跟踪，之后的每⼀帧就不需要像第⼀帧那样在全图中对⼩明进⾏检测，⽽是可以根据⼩明的运动轨迹建⽴运动模型，通过模型对下⼀帧⼩明的位置进⾏预测，从⽽提升跟踪的效率。

⼆. ⽬标识别（⼀）⽬标识别的任务：识别出图像中有什么物体，并报告出这个物体在图像表⽰的场景中的位置和⽅向。

对⼀个给定的图⽚进⾏⽬标识别，⾸先要判断⽬标有没有，如果⽬标没有，则检测和识别结束，如果有⽬标，就要进⼀步判断有⼏个⽬标，⽬标分别所在的位置，然后对⽬标进⾏分割，判断哪些像素点属于该⽬标。

（⼆）⽬标识别的过程：1. ⽬标识别框架⽬标识别往包含以下⼏个阶段：预处理，特征提取，特征选择，建模，匹配，定位。

⽬前物体识别⽅法可以归为两类：⼀类是基于模型的或者基于上下⽂识别的⽅法，另⼀类是⼆维物体识别或者三维物体识别⽅法。

复杂背景下的运动目标分割与阴影消除

人员的兴趣。
取方法．但是此方法仅仅用于提取静止的前景区域，
实用性差。时域差分运动检测法对于动态环境具有较强的自适应性。棒性较好，鲁能够适应多种动态环
目前已有运动目标分割方法主要有：景差分背法［、域差分运动检测法［光流（ｐｉｌ５时］９和ＯｔａｃＦｏ法［－］ｌｗ）１１。其中，景差分法利用当前图像与０１背背景图像的差分来检测运动区域，这种方法对光但
项目来源：国家自然科学基金项目（０７１７；６８２１）上海大学创新基金（ＨＵＸ１２２）ＳＣ１１１
收稿日期：０１０ — ６２１ — ５１修改日期：０１０ — ９２１－６０
５２７
电子器
件
第３４卷
ＡｂｔａｔＡｍｎｏｘｓｎｍｉｒｇｏｎｂｅｔｓｇｅｔｉｎｓｃｓｎｏｐｅｅｍｎａｏｆｏｉｇｓｒｃ：ｉｉｇｓｍｅｉｉｇｌｔｉｆｅｒｕｄｏｊｓｅｍｎａｏｕｈａｃｍｌｅｓｇｅｔｉｏｍｖｅｔｉｓｎｏｃｔｉｔｔｎｎ
关键词：计算机视觉；目标分割；高斯混合模型；小波变换；消除；阴影
中图分类号：Ｐ９．２Ｔ３１４
文献标识码：Ａ
文章编号：０５９９（０１０ — ５１０１０ — ４０２１）５０７ — ５
随着视频多媒体的不断发展。视频运动目标分割已经成为计算机视觉研究的核心课题之一＿］１，

基于层次HMM的运动目标分割

Ｋｅｒｓｔｔｔａｌｙｒｄｍｏｅ；ｉｄｎＭｒｏｄｌＨＭ；ｏｉｇｖｈｃｅｓｇｎｔｎｙｗｏｄ：ｓｉｉｌａｅｅｄｌＨｄｅａｋｖＭｏｅ（Ｍ）ｍｖｎｅｉｅｍｅｔｉａｓｃｓｌａｏ
ห้องสมุดไป่ตู้
摘
要：出对差分图像用三层统计模型表示的思想：提前景运动汽车层、背景运动汽车层和运动阴影层，并分别建立了各层的统计
关键词：层模型；马尔可夫模型；动汽车分割分隐运
模型，应用ＨＭＭ对运动图像序列进行模型参数估计，通过模型进行运动汽车分割。ＨＭＭ利用图像序列帧之间的图像像素空间相
关性和时间相关性，而完成模型参数的识别。通过ＭＡ从Ｐ算法完成模型参数具体化，不但用模型完成图像前景目标的分割，同时在分割中自然区别了背景运动目标和阴影，实现了复杂背景图像的运动汽车分割。实验结果表明方法能够有效地完成分割目的。
ｏｅｉｌＣｍｐｔｒＥｇｎｅｉｇａｄＡｐｌａｏｓ２１，６５：６ — ６．ｆｖｈｃ．ｏｕｅｎｉｅｒｎｐｉｔｎ。００４（）１２１５ｅｎｃｉ
ＡｂｔａｔＡｎｓｒｃ：ＨＭＭｓｇｎａｉｎｍｅｈｄｂｓｄｎｔｔｔａａｅｅｍｏｅｏａｍｇｉｃｕｉｇｉｔｒｓｅｉｌｓｂｏｇｔｅｍｅｔｔｔｏａｅｏｓａｉｉｌｌｙｒｄｏｓｃｄｌｆｒｎｉａｅｎｌｄｎｎｅｅｔｖｈｃｅｉｒｕｈ

手势分割方法研究综述

手势分割方法研究综述摘要：手势以其自然直观的特点成为人机交互的媒介。

手势识别系统中至关重要的一个环节是手势分割，使用何种方法能够较好的获取目标手势，成为计算机视觉中的研究重点和研究难点，本文总结了手势分割技术的主要方法，并针对所需要获得的目标图像提供合适的分割方法。

关键词：手势分割；轮廓模型；运动分析；肤色提取中图分类号：tp391.41随着计算机技术的发展，出现了物联网、信息物理系统（cps）等新概念、新技术，人机交互技术的重要性更加凸显并成为当前信息产业竞争中的一个焦点。

与传统的交互方式相比，手势以其独有的简洁、直观、人性化、信息量丰富的特点成为与计算机交互的媒介。

手势分割是整个手势识别系统中的起点和关键技术之一，其分割质量的好坏直接影响到后续操作如特征提取、目标识别的最终效果。

手势分割[1]可以理解为从包含手势的图像中提取出有意义地手势区域的过程，其主要特点是选取如颜色，灰度等与无意义区域有明显差异的特征，将手势区域与无意义区域分离，致使二者之间存在更为明显差异。

因此对于基于内容的图像检索，对象分析等提取有用信息，必须采用分割效果较好的分割方法。

作为计算机视觉中的一个重要研究内容，手势分割技术在图像处理领域有着至关重要的地位。

1 基于活动轮廓模型的分割技术活动轮廓模型的提出给传统的图像分割和边界提取技术带来了重大突破。

活动轮廓模型是指在图像域上的曲线（曲面），在图像力（内力）和外部约束力共同作用下向物体边缘靠近的模型，外部约束力是由图像数据定义的。

活动轮廓模型主要由模型的描述，模型的能量函数和模型的最小化组成。

基于活动轮廓模型的分割方法是一种半自动的基于先验知识和用户交互的图像分割。

根据使用方式、应用曲线的类型和图像能量项的选择等，将其划分为基于变分法的活动轮廓模型和几何活动轮廓模型的分割方法。

1.1 基于变分法的活动轮廓模型分割方法在1987年kass，witkin和terzopoulos提出了snake模型[2] ，即基于变分法的活动轮廓模型，又称为参数活动轮廓模型。

复杂背景下运动目标分割算法研究

ｔｅｕｔｈｗｔａｈｒｐｓｄａｇｒｔｍａｋｓｆｄｆｒｎｄａｔｇｓｔｅｏｎｚｅｍｏｉｇｔｇｔｅｅ — ｌａｒｓｌｓｏｈｔｅｐｏｏｅｌｏｉｓｔｈｃｎｍａｅｕｅｏｉｅｅｔｖｎａｅｏｒｃｇｉｅｔｖｎｅｓｆｃａｈｒａｔｅｙａｄｃｒｅｔ．ｉｌｎｏｒｃｌｖｙＫＥＹＷＯＲＤＳ：ｕｅｄａａｇｒｈＳｒｎｒｌｏｉｍ；Ｂｃｇｏｎｘｒｃｉｎ；Ｓｇｎａｉｎｏｖｎａｇｔ；Ｓａｏｌｎｔｎｔａｋｒｕｄｅｔｔａｏｅｍｅｔｔｆｍｏｉｇｔｒｅｓｈｄｗｅｉａｉ；ｏｍｉｏ
ＰＡ融合和二值形态学重构，Ｃ以提取和更新背景。将粗分割图像转换到ＨＶ域中，Ｓ采用Ｖ分量阈值法消除阴影，应用彩并
色投影法解决连通体粘连和路面反光问题。实验结果表明该方法能够结合各种算法的优势，而较准确地提取出运动车快景提取；运动目标分割；阴影消除；色投影彩
Ｐｏｃｉｌｒｈｐｌｄｔｄｃｎｅｔｈｏｎｃｉｒｅａｄｓｐｒｓｔｌｔｉｙｔａ．ｘｅｉｅ— ｒｅｔｎａｏｉｍｉａｐｅｉｏｎｃｔｅｎｅｔｇｔｇｔｎｐｅｓｈｇｓｎｎｂｅｒｄＥｐｒｎｊｏｇｔｓｉｏｓｃｎａｕｅｉｅｇｈｏｍ
第２卷第１期５１
文章编号：０６— ３８２０）１２２— ３１０９４（０８１ —０８０

基于特征点和区域生长的目标图像分割方法

较高的鲁棒性。
关键词：成像探测；目标分割；光流法；区域生长；鲁棒性
中图０６４Ｔ３１Ａ１０—１４２１）１０００
ＴａｇｔＩａｅＳｇｅｔｔｏｅｈｄＢａｅｎＦｅｔｒｒｅｍｇｅｍｎａｉｎＭｔｏｓｄｏａｕｅＳｌｃｉｎａｄＲｅｉｎＧｒｗｉｅｅｔｏｎｇｏｏｎｇＸＵｉｇ，ＪｎＺＨＡＮＧ，ＡＮＧａｆｎＨｅＷＸｉｏｅｇ
ｓｇｅｔｔｏ．ｍｕａｉｎｒｓｌｓｓｏｄｔａｈｔｏｏｖｎａｇｔｄｔｃｉｎｕｄｒｃｍｐｅａｋｒｕｄｅｍｎａｉｎＳｉｌｔｅｕｔｈｗｅｈｔｔｅｍｅｈｄｆｒｍｏｉｇｔｒｅｅｅｔｏｎｅｏｏｌｘｂｃｇｏｎ
许敬，张合，晓锋王
（南京理工大学智能弹药技术国防重点学科实验室。江苏南京２０９）１０４
摘要：成像探测的运动目标图像中背景复杂并且含有大量的噪声，针对传统的目标的检测和分割方法精确
定位困难、且不能完整分割等问题，出基于特征点和区域生长的运动目标图像分割方法。通过相邻帧图像的提绝对值差分图像得到大概的运动区域，用基于Ｉ利Ｋ光流的角点检测方法提取差值图像中的特征点，采用非最大值抑制对特征点的优劣性进行评估，对好的特征点进行区域生长，最终达到运动目标的分割目的。仿真结果表明：该方法能够对复杂图像序列中的运动目标进行精确定位，得到较好的目标分割结果，且计算量小，并具有

基于背景差分法的运动目标分割

预处理，消除不必要的噪声点；然后运用改进的Ｓｕｒｅｎｄｒａ迭代
本文对图像进行中值滤波效果如图１所示。
算法［．］快速提取并更新背景图像；对当前帧和背景图像进行差分，对差分后的二值图像进行膨胀、腐蚀、填充等数学形态学操
苟娟迎（西安航天发动机厂，陕西西安７１０１００）
摘要
运动目标分割在基于视频的运动目标检测与识别研究中发挥着重要作用。以图像差分法为基础，实现了一种复杂背景下快速分割运动目标的方法。通过中值滤波对原始图像进行预处理；运用改进的Ｓｕｒｅｎｄｒａ算法快速提取并更新背景图
像；利用数学形态学运算对差分二值图像进行处理，进行运动区域的初检测；将ＲＧＢ图像转换到ＨＳｌ域中进行适当的
阴影去除，完成运动目标分割。实验结果表明该方法能够较为有效地分割出感兴趣区域（ＲＯＩ）内的运动目标。
基于背景差分法的运动目标分割
基于背景差分法的运动目标分割
ＭｏｖｉｎｇＯｂｊｅｃｔＳｅｇｍｅｎｔａｔｉｏｎＢａｓｅｄｏｎＢａｃｋｇｒｏｕｎｄＳｕｂｔｒａｃｔｉｏｎ

浅述静止背景情况下运动目标检测和计算

浅述静止背景情况下运动目标检测和计算1 前言在视频图像中被监视的场景图像变化情况称为运动目标的检测。

由于阴影、目标与背景的差别很大且二者又运动一致，运动目标的分割和提取常见干扰为：目标合并，目标外形改变，目标消失。

目前，背景图像静止不动的情况，究其原理主要分为三类:光流的计算方法、帧间差分方法、背景的消减方法。

帧间差分方法主要特点是：相邻的帧差时间的间隔比较短，场景光线的变化时该方法不太敏感。

背景消减法主要特点是：此方法与帧间差分法比较在静止的背景模型下，在目标运动区域内可获得完整而又精确的描述，较精确的目标图像可以被提取出来。

传统方法在特性方面存在不完善的地方，传统算法中阴影的纹理、颜色、空间属性在需要分析的区域中会造成的颜色的形变。

本文给出未知摄像位置和场景特征的阴影检测的算法，通过校正纹理和颜色的补偿来获得运动的阴影和物体。

2 运动目标分析2.1 背景模型在背景是静止并且光照条件不变的情况下，此背景点的像素值是相对比较稳定的。

统计一段时间内序列为n幅图像每一像素点颜色值的期望和方差为像素点。

和组成图像为初始背景模型。

如静止场景内发生了光照强度改变，或静止物体开始移动,图像上物体静止的像素点被认为前景点，跟踪目标时产生的错误累加起来，需用序列视频的方法提供信息对初始模型的参数进行更新。

为不断更新背景图像的参数分布，引用参数更新率（常数）。

设和为时刻t点i的期望和方差，为时刻t+1采集点i的颜色值，t+1时，背景模型为。

2.2 阴影模型在可见光点光源和散射源照射下的情况下，假设任意一点的彩色光强值为x，则，E为照明条件下函数，€%d为波长参数，€%j为反射系数，为为点光源的强度，Ca为散射源的强度，L为光源的方向，N为表面的法向量，是半影系数转变成为没有阴影的系数。

帧Fk阴影的描述通过照明变化进行，在RGB空间形成的对角形矩阵的模型：，和为背景Bk和帧Fk阴影像素RGB 值。

颜色比率，，都小于1，为相关联的变量，场景出现不同是在不同的时刻情况下，在短时间内可以近似认为不变量。

一种新的步态图像序列分割算法

中图分类号：Ｐ９．１Ｔ３１４文献标识码：Ａ
（ｍｗｎｑ．ｄ．ｎｙｅ＠ｃｕｅｕｃ）要：运动目标步态识别中，步态图像序列中提取出完整的人体运动轮廓对特征提取、在从目
Ｎｅｓｇｅａｉｎａｇｒｔｎｇｉｍａｅｓｑｎｃｓｗｅｍｎｔｔｏｌｏｉｈｍｏａｔｉｇｅｕｅｅ
Ａｂｔａｔｎｇｉｒｃｇｉｏ，ｔｅｅｅｔｅｅｔｃｉｎｏｕｎｃｎｏｒｒｍａｔｉｇｅｕｎｅｓｏｒａｏｃｒｏｓｒｃ：Ｉａｔｅｏｎｔｎｈｆｃｖｘｒｔｆｈｍａｏｔｕｓｆｏｇｍａｅｓｑｅｃｓｉｆｅｔｎｅｎｔｉｉａｏｉｇｃ
Ａｕ．２０ｇ０７
种新的步态图像序列分割算法
郭军，文玉梅，平，波，李叶李潇（．庆大学光电工程学院，庆４０３；２重庆大学光电技术及系统教育部重点实验室，庆４０３）１重重０００．重０００
ｓｇｎａｉｎａｇｒｔｍａｒｐｓｄ．ＡｎｗｂｏｋｍａｃｉｇｍｏｉｎｅｔｔｎａｇｒｈＷａａｏｔｄａｒｔＴｅｈｅｍｅｔｔｌｏｉｏｈＷｓｐｏｅｏｅｌｃ — ｔｈｎｔｓｉｉｌｏｉｍｓｄｐｅｔｆｓ．ｈｎｔｅｏｍａｏｔｉｗｔｒｈｌｏｉｍａｓｏｄｖｄｕｒｎｍａｅｉｔｃｏｅｄｎｎｏｅｌｐｉｇｒｇｏｓＦｎｌ，ａｏｅｐｒｍｅｅｓａｅｓｅａｇｒｄｈｔＷｓｕｅｔｉｅｃｒｅｔｉｇｎｏｌｓａｏ — ｖｒａｐｎｅｉｎ．ｉａｙｄｉｄｎｌｔｎａａｔｒｍｏｅｓｔｉｅｏｍｅｇｅｓｐｒｔｅｉｎ．ＴｅｅｐｒｎｓｏｅＣＭＵＭｏｏｄｔｅｒｖａｈｓａｇｒｔｍａｄｌＷａｕｉｚｄｔｒｅｔｅａａｅｒｇｏｓｈｘｅｍｅｔｎｔｌｈｉｈｂａａｓｔｐｏｅｔｔｔｌｏｈＣｈｉｉｎｅｅｔｅｙｅｔａｔｈｍａｏｔｕｓａｄｅｅｔａｙｉｍｖｈｅｆｒｎｃｆａｔｅｏｎｔｎｆｃｉｌｘｒｃｕｎｃｎｏｒｎｖｎｕｌｍｐｅｔｅｐｒｍａｅｏｉｃｇｉｏ．ｖｌｏｇｒｉＫｅｒｓａｔｅｏｉｏ，ｂｏｋｍａｃｎｓｉｔｎａｇｒｔｍ，ｗａｅｓｅｇｒｈｙｗｏｄ：ｇｃｇｔｎｌ — ｔｈｇｅｔｉｌｏｉｉｒｎｉｃｉｍａｏｈｔｒｈａｏｔｍ，ａｉｅｐｒｍｅｅｓｍｏｅｄｌｉｆｎａａｔｒｄｌ

基于姿态模型的人群目标分割方法

矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。

如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。

㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。

(2 列出开发利用方案编制所依据的主要基础性资料的名称。

如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。

对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。

二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。

2、国内近、远期的需求量及主要销向预测。

㈡产品价格分析
1、国内矿产品价格现状。

2、矿产品价格稳定性及变化趋势。

三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。

2、矿区矿产资源概况。

3、该设计与矿区总体开发的关系。

㈡该设计项目的资源概况
1、矿床地质及构造特征。

2、矿床开采技术条件及水文地质条件。

体育心理学：运动中的目标定向和目标设置PPT

体育心理学：运动中的目标定向和目标设置
体育心理学是研究人们在运动过程中心理活动的学科。它的重要性在于帮助运动员提高竞技水平，实现个人和团队的目标。
体育心理学简介
体育心理学是研究和应用心理学原理和技术来改善运动员在竞技体育中表现的学科。它涵盖了目标定向、注意力控制、自信心和压力管理等方面。
目标定向的定义和原理
教练的目标定向
教练可以为运动员设定适当的目标，引导他们的发展，并为整个团队制定实现共同目标的计划。
目标设置的影响因素
外部因素对目标设置的影响
外部因素包括竞争环境、团队压力和教练的期望，它们可能影响运动员设定的目标。
内部因素对目标设置的影响
内部因素包括个人动机、自信心和过去的经验，它们也会影响运动员对目标的设定。
目标定向的概念
目标定向是指在运动和训练中设定明确的目标，并为实现这些目标制定计划与策略。
目标设置的原则和方法
目标设置应具备可衡量性、具体性和挑战性，并采用阶段性和长期性目标来推动运动员的发展。
目标定向的运用
运动员的目标定向
运动员可以通过设定个人和比赛目标来提高自己的表现，激发动力和集中注意力。
目标设置的技术
1 目标具体化
确保目标清晰、具体和可量化，可以帮助运动员更好地理解和追踪进展。
目标时间化
设定目标的截止日期和里程碑，以增加紧迫感和可及性，并帮助运动员合理安排时间。
3 目标可衡量性
确保目标可以被度量和评估，以便运动员可以了解自己的进展和调整训练计划。
结论
体育心理学在运动中的重要作用
体育心理学帮助运动员在竞技体育中发挥出最佳水平，提高自信心和注意力，并有效管理压力和困难。

基于贝叶斯框架的目标分割方法研究

基于贝叶斯框架的目标分割方法研究摘要：运动目标的检测与分割是视频监控系统的基础，所分割出的目标的完整性对视频的后续处理如目标分类、跟踪及行为理解产生重要影响。

实际场景通常很复杂包括静态的背景和动态的背景及运动目标。

该文提出了基于贝叶斯框架的目标检测方法。

首先求相邻两帧之差，通过自适应阈值把帧差图二值化为变化部分和静止部分。

每个像素维护两个表分别对应静止和运运两种状态，表中表项记录像素最近最重要的概率信息，检索这些概率代入贝叶斯公式，求出当前帧像素点的最大后验概率，根据贝叶斯分类原则，对当前帧的像素进行分类。

最后，对室内、室外拍摄的两个视频做实验进行验证，实验表明该方法在较复杂环境下，也具有较好的目标检测能力。

关键词：贝叶斯；目标分割；中图分类号：tp18 文献标识码：a 文章编号：1009-3044（2013）04-0866-04在视频流中检测和分割前景目标是后续处理如目标分类、目标跟踪和行为理解的基础。

人脑智能所谓的前景通常是自已感兴趣的目标，其他场景成分一概归入背景。

固定的摄像机，分割前景常用的方法有帧差法、背景减除法等，这些方法假设背景都是由静止的物体（其颜色或强度缓慢变化）构成。

然而，当背景中含有目标物体的阴影如车影，运动物体如晃动的树枝，水波以及光照变化给前景目标的正确检测和分割带来挑挑战。

当背景处于或场景缓慢变化时，单高斯就能较好的描述背景像素的噪声。

对于周期运动的背景如摇动的树叶，像素在叶子和叶子后面的地面两种颜色为均值的分布中变化。

像素呈现双峰状态。

基于背景中可能有周期性动用的物体，近来，人们又提出了采用高斯混合模型（多个高斯的线性组合）来描述每个背景像素。

高斯的权重、均值，方差迭代更新以适应环境的变化。

但是，这些方法不能处理光线的缓慢的变化和突变。

如从早到晚的光线变化和开关灯的全局背景光线的突变。

此外，存在前景目标与背景的相互转换的情况如移动背景物体而产生的背景局部变化（如移动凳子）及开车停在停车位，车成为了背景物体。

一种新的运动目标快速检测分割方法的研究

Ａｓａｔｂｔｃｒ
Ｄｔｔｇａｄｓｇｎｉｖｎｂｅｔｓｎｉｐｒｎｕｊｃｉｃｍｕｅｉａａａｓ．ｎｔｉｐｐｒｅｓｄｅｅａｇ— ｅｃｎｎｅｍｅｔｇｍｏｉｏｊｃｉａｏｔｔｂｅｔｎｏｐｔｒｓｌｎｌｉＩｓａｅｗｔｉｔｌｏｅｉｎｇｍａｓｖｕｙｓｈｕｄｈ
ｒｈｆｄｔｃｉｇｍｏｉｇｔ￣ｅｎｓｔａｋｒｕｄＡｈｘｓｉｇｂｃｇｏｎｕｔｃｉｎｍｅｈｄｂｓｄｏｘｕｅＧａｓｉｎｍｏｅａｉｍｓｏｅｅｔｖｎａｔｉｔｉｂｃｇｏｎ．ｓｔｅｅｉｔａｋｒｕｄｓｂｒｔｔｏａｅｎｍｉｔｒｕｓｄｌｎ’ ｔｎａｃｎａｏａｃｔｏｖｅｐｏｌｍｓｓｃｓｔｅ“ ｈｓ” ａｄｃｍｐｉａｅｉｏｓｍｉｇｏｅａｇｒｈａｎｗｍｅｈｄｏｖｎｄｅｄｔｃｉｎｉｒｐｓｄｌｅｔｒｂｅｕｈａｈｇｏｔｎｏｌｔｄｔｓｈｃｍｅｃｎｕｎｆｈｌｏｔｍ，ｅｔｏｆｔｉｍｏｉｇｅｇｅｅｔｓｐｏｏｅｏ
ｂｓｄｏｉｅｎｉｅｅｎｔｅｄａｅｔａｅ．ｘｅｍｎａｒｕｓｈｗｔａｔｅｐｏｏｅｌｏｔａｃｕａｌｇｔｈｄｅｏｏｉｇａｅｎｄｆｒｔｌｔｅｊｃｎｍｓＥｐｒｅｔｓｌｏｔｈｒｐｓｄａｇｒｈｃｎａｃｒｔｙｅｔｅｇｆｖｆｅａｂｗｈａＬｉｌｅｔｓｈｉｍｅｅｍｎｏｊｃｉｍｌａｋｏｎｎｒａｙｘｅｉｓｅｃｎｅｄＡｅｓｍｍｌｉａｓｆｃｎｙｈａｋｏｎｌｍｎｔｎｖｒｂｅｔｎｃｐｅｂｃｇｕｄａｄｇｔｐｄｔｔｔｇｐｅ．ｔｈａｅｔｅｉｅｍｎｔｉｔｅｂｃｇｕｄｉｉａｏａｉｏｘｒｅｌｅｅｄｅｉｓｔｉｔｉｅｅｅｌｔｉｒｌｕｉ —

推广GAC模型在运动目标分割中的应用

推广GAC模型在运动目标分割中的应用陈颖;吴亚鹏;王宾【摘要】针对视频序列运动目标的分割,研究了传统的运动目标检测算法和基于推广GAC模型的图像分割算法的优势和缺陷,并将二者进行系统的结合,由"粗"到"细"地实现了对运动目标边缘的精确分割.实验表明,算法简单有效,在保证目标分割实时性的前提下,发挥了推广GAC模型在目标分割中的优势.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)005【总页数】3页(P145-147)【关键词】推广的GAC模型;运动目标分割;运动目标检测【作者】陈颖;吴亚鹏;王宾【作者单位】西北大学,信息科学与技术学院,西安,710127;中科院上海光学精密机械研究所,信息光学实验室,上海,201800;西北大学,信息科学与技术学院,西安,710127【正文语种】中文【中图分类】TP3911 引言视频序列中运动目标的检测与分割处于视频监控系统的最底层，是各种后续高级应用如目标跟踪、目标分类、目标行为理解等的基础。

能否实时有效地检测运动目标并完整精确地分割目标边缘，直接关系着整个系统的优劣和实用性。

传统的运动目标检测算法有背景差分法[1]、帧间差分法[2-3]、光流法[4]以及将背景差分与帧间差分相结合的算法[5-6]等，但实践表明：这些算法在实际应用中尽管实时性好，但大都存在目标分割不完整、边缘信息不连续等缺点。

图像分割是计算机视觉的另一个重要内容。

同传统的方法相比，由于基于偏微分方程和水平集相结合的分割方法能够闭合、完整地提取目标边缘，从而成为近年来研究的热点[7-13]。

常用的水平集分割模型有GAC模型、C-V模型、M-S模型等。

其中，C-V模型、M-S模型依赖于全局信息，且算法复杂、计算量大[11]，不适合用于对实时性要求较高的动目标检测方面；尽管GAC全局分割效果不如前两者，但其算法简单，计算量小，在局部图像处理中能够实时有效地分割目标。

一种红外目标图像的自动分割方法

中分号Ｐ１１啊粪ｌ３．Ｔ９４
种红外目标图像的自动分割方法
吴盘龙．李育俊．张科
（西北工业大学航天学院，西安７０７）１０２
摘
要：针对红外成像制导过程中运动目标的分割，提出了一种红外目标图像的自分割方法，动它首先对目标红外图像进行多尺度形态滤
［ｙｗｒｓＩｇｅｍｅｔｔｎＭｏｐｏｏｉｌｌｒｇＪｉｔｅａｖｎｒｐＫｅｏｄ］ｍａｅｓｇｎａｉ；ｒｈｌｇｃｔｉ；ｏｎｌｉｅｔｙｏａｆｅｎｉｒｔｅｏ
利用红外成像实现自动目标检测、识别与跟踪是精确制
在定义域内的极大、极小运算。其它形态学变换都是膨胀和
ｔｅｏｊｃａｄｂｃｇｏｎ．ｅｏｄｙｔｅｏｎｒｌｉｅｅｔｐｈｅｈｌｉａｐｉｄｔｅｔｅｔｒｓｏｅｇ；ｉａｌ，ｈｒｓｏｄｄｉｇｈｂｅｔｎａｋｒｕｄＳｃｎｌ，ｈｉｔｅａｖｎｒｙｔｒｓｏｄｓｐｌｇｔｈｅｈｄｄｉｅＦｎｌｔｅｔｅｈｌｅｍａｅｉｊｔｏｅｏｈｍａｙｈｓ
ＡｎＡｕｏａｉｅｍｅｔｔｏｅｈｄｆｒＩＴｒｅｍａｅｔｍｔｃＳｇｎａｉｎＭｔｏｏＲａｇｔＩｇ
ＷＵＰｎｏｇＬａｊｎＺａｌｎ，Ｉｎｕ，ＨＡＮＫｅＹＧ
（ｏｌｅｏＡｔｎｕｉｓＮｏｔｗｓｒｏｙｅｈｉａＵｎｖｒｉ， ’ｎ７０７）Ｃｌｇｆｓｏａｔ，ｒｅｔｎＰｌｔｃｎｃｌｉｅｓｙＸｉ１０２ｅｒｃｈｅｔａ

利用边界运动显著性的红外运动目标分割方法

（ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＥｎｇｉｎｅｅｒｉｎｇａｎｄＯｐｔｉｃ－ｅｌｅｃｔｒｏｎｉｃＴｅｃｈｎｏｌｏｇｙ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１００９４，Ｃｈｉｎａ）
ｏｆｅｄｇｅｐｏｉｎｔｓｏｆａｎｉｍａｇｅｂａｓｅｄｏｎｔｈｅｓｐａｔｉａｌ — ｔｅｍｐｏｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃ．ＴｈｅｈｉｇｈｅｒｔｈｅＭＳＥｏｆａｎｅｄｇｅｐｏｉｎｔｉｓ，ｔｈｅ
第３５卷第１０期
２０１３年１０月
电
子
与
信
息
学
报
Ｖｏ１．３５Ｎｏ．１００ｃｔ．２０１３
ＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｏｎｉｃｓ＆ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ
ＤＯＩ：１０．３７２４／ＳＰ．Ｊ．１１４６．２０１３．００４１７
ＡＭｅｔｈｏｄｆｏｒＳｅｇｍｅｎｔａｔｉｏｎｏｆＭｏｖｉｎｇＯｂｊｅｃｔｉｎＩｎｆｒａｒｅｄ

一种自适应分裂与合并的运动目标聚类分割算法

文献标识码：Ａ
文章编号：１００９．５８９６（２０１４）０３ — ０６０１ — ０９
ＡｎＡｄａｐｔｉｖｅＳｐｌｉｔｔｉｎｇａｎｄＭｅｒｇｉｎｇＣｌｕｓｔｅｒｉｎｇＡｌｇｏｒｉｔｈｍ
第３６卷第３期２０１４年３月
电
子
与
信
息
学
报
Ｖｏ１．３６Ｎｏ．３Ｍａｒ．２０１４
ＪｏｕｒｎａｌｏｆＥｌｅｃｔｒｏｎｉｃｓ＆ＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙ
Ｗｉｔｈｏｕｔｐｒｅ — ｓｅｔｎｕｍｂｅｒｏｆｉｎｉｔｉａｌｃｌｕｓｔｅｒ，ｔｈｅｓｅｌｆ－ｏｒｇａｎｉｚｅｄｉｔｅｒａｔｉｖｅｃｌｕｓｔｅｒｉｎｇｓｅｇｍｅｎｔａｔｉｏｎａｌｇｏｒｉｔｈｍｃａｎ
ａｌｇｏｒｉｔｈｍ，ｔｈｕｓｏｂｔａｉｎｓｔｈｅｆｏｒｅｇｒｏｕｎｄｉｍａｇｅｃｏｎｔａｉｎｉｎｇｍｕｌｔｉｐｌｅｍｏｖｉｎｇｔａｒｇｅｔｓ．Ｉｔｄｅｉｎｆｅｓｐｉｘｅｌｓｐａｃｅｃｏｎｎｅｃｔｉｖｉｔｙｒａｔｅａｎｄｄｅｓｉｇｎｓａｐｅｒｐｅｎｄｉｃｕｌａｒｓｐｌｉｔｍｅｔｈｏｄｆｏｒｔｈｅｉｎｉｔｉａｌｃｌｕｓｔｅｒａｄａｐｔｉｖｅｓｐｌｉｔｔｉｎｇａｎｄｍｅｒｇｉｎｇ．

矿产