基于內(nèi)容的視頻應(yīng)用中運(yùn)動對象分割與運(yùn)動估計技術(shù)的研究.pdf

1、隨著信息技術(shù)和互聯(lián)網(wǎng)技術(shù)的飛速發(fā)展，多媒體信息量增長越來越快，視頻信息量更呈現(xiàn)爆炸式增長。如何有效地管理和利用這些海量視頻數(shù)據(jù)成為當(dāng)前的研究熱點(diǎn)，而人們對多媒體信息的需求也從簡單的播放要求轉(zhuǎn)向?qū)?nèi)容的訪問、檢索、操作和分析上。在新興的視頻應(yīng)用中，基于內(nèi)容的視頻應(yīng)用日益加速發(fā)展，例如基于內(nèi)容的視頻編碼和視頻檢索。而基于內(nèi)容的視頻應(yīng)用的一個關(guān)鍵的問題就是如何獲得視頻對象。該問題即為視頻對象分割問題。視頻對象分割是由視頻處理到視頻分析的關(guān)鍵環(huán)

2、節(jié)。鑒于視頻對象分割在基于對象的視頻應(yīng)用中的重要性，本文對這該問題進(jìn)行了研究。而視頻對象分割充分利用了運(yùn)動特征來實現(xiàn)更有效和精確的分割，運(yùn)動特征體現(xiàn)了視頻的時域相關(guān)性。此外，運(yùn)動特征也是基于對象的視頻應(yīng)用中所經(jīng)常使用的重要的一個特征。因此作為運(yùn)動特征獲得的手段-運(yùn)動估計技術(shù)也是一個非常重要的研究課題?？紤]到本文的視頻對象分割研究所需要的運(yùn)動特征，本文也對運(yùn)動估計法進(jìn)行了深入研究。 本文在第二章首先概括了當(dāng)前的視頻對象分割的發(fā)展，

3、并分析了各類視頻分割算法，對其中的空時融合分割算法進(jìn)行了深入分析。對于本文分割問題中的運(yùn)動估計，由于在運(yùn)動估計法中，光流法因為其較好的性能得到了廣泛的重視。本文對當(dāng)前的各類光流算法進(jìn)行了總結(jié)，對其理論基礎(chǔ)和模型進(jìn)行了進(jìn)一步研究，指出了模型理論中所存在的問題，以及光流評價問題。在后面章節(jié)安排上，為了便于理解分割算法中運(yùn)動場的獲得，本文首先介紹了光流運(yùn)動估計方法，然后介紹了分割方法。 在光流算法中，全局光流算法能夠進(jìn)行全局平滑，從而

4、具有“填充效果”，這樣全局算法可以產(chǎn)生稠密運(yùn)動場。全局算法中，開創(chuàng)性的HS算法因為其簡單性和合理的性能可能已成為應(yīng)用最廣泛的光流算法。然而，HS算法有一些應(yīng)用限制，特別是光照敏感性、體現(xiàn)平滑和“填充”效果的局部平均的不可靠性，以及運(yùn)動邊緣模糊。本文第三章采用傳統(tǒng)的擴(kuò)展了HS算法?？紤]到圖像序列中光照在很短的時間內(nèi)變化很輕微的特點(diǎn)，提出一種簡單的基于實體的光照預(yù)濾波方法EIPF，該方法稍微調(diào)整這很短時間內(nèi)各幀的像素的亮度，使光流模型滿足光

5、照不變的條件。根據(jù)前向光流和后向光流的雙向?qū)ΨQ性的特點(diǎn)定義了反映光流可靠性的置信度，并提出了基于該置信度的光流估計算法。根據(jù)置信度，可靠的光流估計對局部平均具有較大的貢獻(xiàn)，而不可靠的光流估計則被抑制。這樣，實現(xiàn)了可靠的“填充”效果。同時該算法保持了迭代公式的簡單性。該算法利用圖像驅(qū)動和流驅(qū)動的運(yùn)動邊緣保存算法具有互補(bǔ)性的特點(diǎn)，有效地將兩種方法結(jié)合在一起提出了基于區(qū)域的運(yùn)動邊緣保存方法。第三章進(jìn)一步利用該置信度對光流的可靠性進(jìn)行評價，并擴(kuò)

6、展了基于能量的置信度，使其能夠評價非能量方法得到的光流。 由于上述算法利用了傳統(tǒng)OFE，而傳統(tǒng)OFE一般只能應(yīng)用于低速運(yùn)動的光流估計，高速運(yùn)動會造成傳統(tǒng)OFE的一階線性近似方法具有較大的誤差，所以上述算法因為傳統(tǒng)OFE的限制在高速運(yùn)動的估計中具有較大的誤差。為了克服傳統(tǒng)OFE的限制，第四章分析了高速運(yùn)動的光流估計技術(shù)難點(diǎn)。提出了基于補(bǔ)償OFE的兩步光流法。通過預(yù)測光流，從而能夠在正確光流附近進(jìn)行泰勒級數(shù)展開，盡管上述預(yù)測可減小這

7、種誤差，但是OFE的這種一階線性近似仍是光流算法誤差的主要因素，特別是當(dāng)預(yù)測光流與準(zhǔn)確光流仍然相差較大時。為了克服上述問題，對OFE進(jìn)行了二階補(bǔ)償從而減小模型進(jìn)行線性近似所帶來的誤差。此外，第四章對非二次偏差抑制的平滑方法進(jìn)行了分析，鑒于傳統(tǒng)的非二次偏差抑制具有較大的求解難度和算法實現(xiàn)的復(fù)雜度，提出一種基于非二次偏差抑制的平滑方法。它巧妙有效地將非二次抑制函數(shù)作用在局部平均計算上。 前面介紹了分割算法中運(yùn)動場(運(yùn)動特征)的獲得方

8、法，在此基礎(chǔ)上，第五章提出了一種有效的基于特征的運(yùn)動檢測補(bǔ)償和權(quán)重分水嶺的時空分割算法?？紤]到視頻的空時關(guān)系的空時融合分割算法是一類有效的分割方法，第五章首先分析了空時分割算法的技術(shù)難點(diǎn)，指出了它所存在的問題。本章所提出的分割算法通過考慮一種新的特征，用基于塊的運(yùn)動檢測方法既提高了噪聲的魯棒性又保持了對運(yùn)動的靈敏性。為了補(bǔ)償運(yùn)動目標(biāo)粗糙的時域模板以實現(xiàn)有效的融合，提出基于邊界的形態(tài)膨脹方法實現(xiàn)對初始模板的各向異性的空間補(bǔ)償；并利用運(yùn)動目

9、標(biāo)的慣性特征，提出時域補(bǔ)償方法成功地克服了運(yùn)動目標(biāo)的“暫?！爆F(xiàn)象。并提出一種簡單有效的“孔洞”填充方法用來填充其中的“孔洞”。另一方面，空域分割考慮一種全局信息來提高分水嶺算法的精確性，并用改進(jìn)的均值濾波器抑制一些極小點(diǎn)減輕過分割問題。該空時分割算法一個突出性能就是它的融合閾值對于不同的序列可以是固定的. 第五章采用了基于6參數(shù)仿射模型的全局運(yùn)動補(bǔ)償方法來對齊背景，該補(bǔ)償方法計算難度和計算量較大.為了減小分割算法的計算量，第六章

10、根據(jù)第五章所分析的空時融合分割算法的技術(shù)難點(diǎn)，提出了一種基于時空補(bǔ)償?shù)目諘r融合分割算法。該算法設(shè)計了一種基于齊異點(diǎn)消除的方法來估計全局運(yùn)動矢量。為了檢測運(yùn)動目標(biāo)，將每一運(yùn)動場分解為不重疊的塊：然后通過比較每一塊的運(yùn)動矢量和全局運(yùn)動矢量來得到目標(biāo)的初始模板。為了補(bǔ)償該粗糙模板，提出了具有距離約束的區(qū)域生長算法來實現(xiàn)空域補(bǔ)償，其增加的距離約束項可防止生長點(diǎn)偏離于相應(yīng)的目標(biāo)區(qū)域；并提出了一種預(yù)測時域補(bǔ)償來解決運(yùn)動目標(biāo)的“暫?！爆F(xiàn)象。這樣得到較