序列圖像中的目標(biāo)分析技術(shù)

第1 章 緒論    1 1．1 研究背景及意義   1 1．2 視頻運動目標(biāo)檢測研究現(xiàn)狀   3 1．2．1 背景差法    4 1．2．2 鄰幀差法    5 1．2．3 光流法    5 1．3 視頻運動目標(biāo)定位研究現(xiàn)狀   6 1．4 視頻運動估計研究現(xiàn)狀   7 1．5 視頻運動目標(biāo)跟蹤研究現(xiàn)狀   8 1．6 本書的內(nèi)容及章節(jié)安排   10 1．6．1 本書的內(nèi)容   10 1．6．2 本書的章節(jié)安排   11 1．7 本章小結(jié)    13 參考文獻    13 第2 章 基于積累差異背景建模的視頻運動目標(biāo)檢測 21 2．1 引言    21 2．2 基于積累差異的背景建模   23 2．2．1 積累差異    23 2．2．2 積累差異背景建模   23 2．3 Otsu 自適應(yīng)閾值化及目標(biāo)輪廓提取  25 2．3．1 Otsu 閾值化算法   25 2．3．2 改進的Otsu 閾值化算法   26 2．3．3 目標(biāo)輪廓提取   27 2．4 兩步區(qū)域生長目標(biāo)連通區(qū)域標(biāo)記   27 2．5 目標(biāo)質(zhì)心關(guān)聯(lián)    28 2．5．1 質(zhì)心標(biāo)記    28 2．5．2 質(zhì)心關(guān)聯(lián)    28 2．6 監(jiān)控場合行人及運動車輛檢測實驗  29 2．6．1 積累差異背景建模及運動目標(biāo)檢測  29 2．6．2 運動目標(biāo)輪廓提取及質(zhì)心關(guān)聯(lián)  31 2．7 夜間運動車輛檢測實驗   32 2．8 語義視頻運動目標(biāo)檢測實驗   36 2．8．1 顏色空間及膚色模型   36 2．8．2 實驗效果及分析   38 2．9 積累差異背景建模與GMM 背景建模的比較實驗  40 2．10 本章小結(jié)    43 參考文獻    43 第3 章 基于差分背景融合建模的運動目標(biāo)檢測  46 3．1 引言    46 3．2 算法基本思想    46 3．3 背景模型的建立   47 3．4 自適應(yīng)背景更新策略   48 3．5 實驗效果與分析   50 3．6 本章小結(jié)    54 參考文獻    55 第4 章 融合Knockout 摳圖技術(shù)的視頻運動目標(biāo)檢測 56 4．1 引言    56 4．2 摳圖技術(shù)簡介    56 4．3 視頻運動目標(biāo)區(qū)域初步檢測   58 4．4 Knockout 視頻運動目標(biāo)檢測   58 4．4．1 Knockout 技術(shù)   58 4．4．2 透明度計算   59 4．4．3 自動區(qū)域標(biāo)記   60 4．5 實驗效果及分析   61 4．6 本章小結(jié)    62 參考文獻    63 第5 章 基于網(wǎng)格區(qū)域劃分的視頻運動目標(biāo)檢測  64 5．1 引言    64 5．2 算法設(shè)計    64 5．3 積累差異背景建模及運動檢測   65 5．4 網(wǎng)格區(qū)域劃分    65 5．5 實驗測試及分析   67 5．5．1 空域連通性差時的檢測情況   68 5．5．2 網(wǎng)格區(qū)域劃分前后檢測效果比較  69 5．5．3 與GMM 法檢測效果的比較   71 5．5．4 閾值Tg 對檢測效果的影響   72 5．5．5 網(wǎng)格大小對檢測效果影響的討論  73 5．6 不同檢測方法的分析及比較   75 5．6．1 檢測效果對比   75 5．6．2 計算復(fù)雜度分析   77 5．6．3 算法實用性說明   77 5．7 本章小結(jié)    78 參考文獻    78 第6 章 基于減法聚類算法的視頻運動目標(biāo)定位  79 6．1 引言    79 6．2 山峰聚類算法    80 6．3 減法聚類算法    82 6．4 減法聚類目標(biāo)定位   83 6．5 減法聚類目標(biāo)定位實驗   84 6．5．1 減法聚類目標(biāo)定位過程   84 6．5．2 與區(qū)域生長目標(biāo)定位的比較   85 6．5．3 減法聚類定位的抗噪性實驗   87 6．6 橢圓域減法聚類目標(biāo)定位   88 6．6．1 橢圓域減法聚類算法   88 6．6．2 橢圓域減法聚類目標(biāo)定位實驗  89 6．7 橢圓域減法聚類定位應(yīng)用舉例   93 6．8 本章小結(jié)    95 參考文獻    96 第7 章 視頻目標(biāo)定位的減法聚類改進算法  97 7．1 引言    97 7．2 減法聚類目標(biāo)定位   98 7．3 算法優(yōu)化    99 7．3．1 考慮不同維度的鄰域半徑   100 7．3．2 引入下采樣技術(shù)   100 7．3．3 選擇合適的密度值函數(shù)   101 7．3．4 構(gòu)造網(wǎng)格重定義數(shù)據(jù)集   103 7．3．5 模糊隸屬度前景像素聚類   105 7．3．6 修正目標(biāo)鄰域半徑取值   105 7．3．7 確定視頻運動目標(biāo)尺度和方向  106 7．4 實驗效果及分析   107 7．4．1 減法聚類算法視頻目標(biāo)定位過程  108 7．4．2 有效鄰域半徑對定位結(jié)果的影響  109 7．4．3 下采樣定位效果   109 7．4．4 不同密度函數(shù)的定位情況   110 7．4．5 模糊隸屬度前景像素歸類實驗  111 7．4．6 目標(biāo)尺度和方向參數(shù)確定實驗  111 7．5 本章小結(jié)    115 參考文獻    115 第8 章 非參數(shù)核密度估計視頻目標(biāo)空域定位  117 8．1 引言    117 8．2 非參數(shù)核密度估計   118 8．3 非參數(shù)核密度估計視頻目標(biāo)空域定位  119 8．4 實驗結(jié)果與分析   120 8．4．1 定位過程分析   120 8．4．2 不同核函數(shù)定位效果分析   122 8．4．3 不同定位算法效果比較   123 8．4．4 帶寬對定位的影響   124 8．5 結(jié)論    125 參考文獻    126 第9 章 基于Nystr?m 密度值逼近的減法聚類  127 9．1 引言    127 9．2 考慮不同維度鄰域的減法聚類   129 9．3 Nystr?m 樣本密度值逼近   129 9．3．1 Nystr?m 樣本相關(guān)系數(shù)加權(quán)  130 9．3．2 減法聚類樣本密度值逼近   131 9．3．3 Nystr?m 減法聚類小結(jié)   132 9．4 實驗結(jié)果和分析   133 9．4．1 人工數(shù)據(jù)實驗   133 9．4．2 彩色圖像聚類實驗   138 9．4．3 UCI 數(shù)據(jù)集聚類實驗   140 9．5 結(jié)論    141 參考文獻    141 第10 章 基于運動場預(yù)測的六邊形塊運動估計  143 10．1 引言    143 10．2 經(jīng)典快速塊運動估計搜索算法   144 10．2．1 MPEG―4 校驗?zāi)Ｐ筒捎玫牧庑嗡阉魉惴ǎ―S） 144 10．2．2 PMVFAST 算法   144 10．3 PMVHEXBS 算法   146 10．3．1 運動估計算法中的搜索模式  146 10．3．2 本章算法搜索模式的選擇   147 10．3．3 視頻序列中運動的時空相關(guān)性  149 10．3．4 初始搜索點的確定   150 10．3．5 “足夠好就停止搜索”思想的應(yīng)用  151 10．3．6 改進的部分失真準則（MPDC）  152 10．3．7 PMVHEXBS 算法的步驟   153 10．3．8 本章算法分析   154 10．4 實驗結(jié)果    156 10．5 本章小結(jié)    160 參考文獻    161 第11 章 基于運動信息自適應(yīng)的快速運動估計  163 11．1 引言    163 11．2 UMHexagonS 算法介紹   164 11．3 運動信息自適應(yīng)的快速運動估計算法  165 11．3．1 塊尺寸自適應(yīng)的動態(tài)搜索窗的計算  165 11．3．2 運動類型自適應(yīng)的搜索方案選擇  166 11．3．3 帶方向的十字型搜索   166 11．3．4 自適應(yīng)的矩形-菱形搜索   167 11．3．5 運動方向自適應(yīng)的多層次八邊形區(qū)域搜索  168 11．3．6 塊尺寸自適應(yīng)的六邊形搜索  168 11．4 實驗仿真與分析   169 11．5 結(jié)束語    171 參考文獻    172