基于时空联合特征学习的无监督视频分割算法研究

摘要

视频分割技术是计算机视觉领域的一个重要研究方向，同时也是该领域中最复杂的问题之一。视频分割的难点包括分割目标背景的变化，目标的非刚性形变及分割目标的快速移动等。视频分割也是行为识别，目标跟踪，视频编辑，目标检测等众多基于视频内容分析的计算机视觉应用的基础。然而，当前大多数关于视频分割技术的算法在面对存在目标快速运动，严重模糊和遮挡的无约束视频条件下难以取得较好的分割结果，因此，对视频分割问题的进一步探索具有重要的实际意义与研究价值。 本文主要研究基于时空联合特征学习的无监督视频分割算法来处理视频的前后景分割问题，提出稳健且有效的无监督视频分割算法。 本文的主要工作如下: 1、针对视频目标分割算法的鲁棒性提升研究，提出一种简单且有效的基于非局部时空特征学习的无监督视频分割算法。利用光流法对相邻帧的超像素信息进行匹配，利用KD树算法实现各超像素在非局部时空范围内的最近邻搜索，利用所求各最近邻超像素特征值完成目标超像素的非局部时空特征优化。 2、针对超像素计算得到的分割结果边界准确度不足的问题的优化研究，提出一种联合显著性特征及高斯混合模型的视频分割优化方案。利用混合高斯模型对超像素分割的边界误差进行优化，并引入图像的显著性特征，利用投票的方式综合获取更加准确的前景分割目标。 以上两种算法在一系列视频分割标准测试数据集上都取得了不错的分割效果。

目录

声明

摘要

第一章绪论

1．1研究背景及意义

1．2视频目标分割的研究现状与分类

1．2．1基于分割目标类别数研究的视频分割算法

1．2．2基于分割使用信息研究的视频分割算法

1．2．3基于先验信息研究的视频分割算法

1．2．4其他视频分割算法

1．3论文主要研究工作介绍

1．4论文结构安排

第二章预备知识

2．1超像素分割算法

2．2光流法

2．3颜色空间简介

2．3．1 RGB颜色空间

2．3．2 HSV颜色空间

2．4图割算法

第三章基于非局部时空特征的无监督视频分割

3．1引言

3．2算法实现

3．2．1预处理及初始化信息选择

3．2．2图模型的建立

3．2．3非局部时空特征优化

3．2．4时空平滑项的构造

3．3实验结果分析与评测

3．3．1 SegTrack数据集评测

3．3．2 Youtube-Object数据集评测

第四章联合显著性特征及混合高斯模型的视频目标分割优化

4．1引言

4．2优化算法的实现

4．2．1混合高斯模型

4．2．2显著性特征

4．3实验结果分析与评测

第五章总结与展望

5．1论文总结

5．2工作展望

参考文献

作者简介

致谢