基于图割优化的视频运动目标分割算法研究

摘要

随着计算机技术的广泛应用，视频运动目标分割在数字视频处理、模式识别和计算机视觉领域起着越来越重要的角色，并且是视频后续处理如目标识别、跟踪和行为分析等的基础，因此研究视频序列的运动目标分割具有重要的意义和实用价值。
　　 近年来，在图像视频处理领域国内外学者做了大量的研究，并提出了许多的分割方法。其中，基于图割(Graph cuts)算法以其优良的特性在图像视频分割受到了国内外学者的广泛关注。该理论可以融合多种知识求解全局最优解，取得了较好的分割效果，是近年来基于能量最小化实现目标分割研究的热点。然而基于Graph cuts算法的图像视频分割一般需要人工的参与，因而在视频分割中受到了一定的限制。本论文主要研究如何实现Graph cuts算法的视频运动自动分割，及其构建高效的能量函数以实现精确的运动目标分割。
　　 本论文以Graph cuts算法为支撑，主要工作为以下两个方面:
　　 (1)针对视频序列中背景复杂、存在噪声等情况使目标分割结果存在虚警、目标分割不完整等问题，提出一种融合时空域混合高斯模型和Graph cuts算法的视频运动目标自动分割方法。改进了传统混合高斯模型只利用单个像素的独立性，而忽略了相邻像素间的空间域相关性的缺点，并将其运用到基于Graph cuts能量函数的构建，充分利用了视频序列的时空域信息。改进算法使目标分割结果更加完整、且解决了噪声影响和虚警等情况。
　　 (2)针对Graph cuts能量函数中似然能量和先验能量的固定正则化参数λ问题，提出一种自适应正则化参数选择的Graph cuts算法视频运动目标分割方法。Graph cuts能量函数中先验项能量也称为边缘能量，代表了相邻节点分别标记为前景和背景所付出的代价，且有助于形成封闭平滑的边缘。然而在实际的视频序列中每个帧序列中似然能量和先验能量的正则化参数λ不可能为单一固定常数。即使在处理同一张图片中λ值过大过小也影响分割的效果。故本论文运用高效的ED(Edge Drawing)边缘检测算法来判断像素是边缘的概率，以实现自适应正则化参数选择，建立高效的能量函数。
　　 论文中给出了多组实验的仿真结果及分析，实验结果验证了本论文改进算法的有效性和鲁棒性。

目录

声明

摘要

插图清单

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．3 目前目标分割主要存在的问题

1．4 目标分割的性能评价

1．5 论文内容及结构安排

第二章 图割算法及其在图像分割中的应用

2．1 马尔科夫随机场下的图像分割框架

2．2 传统的能量最小化方法

2．2．1 模拟退火算法

2．2．2 迭代条件模式算法

2．3 Graph cuts算法

2．3．1 图论基础

2．3．2 网络流理论

2．3．3 s-t网络与割

2．3．4 最大流／最小割定理

2．4 Graph cuts算法在图像分割中的应用

2．4．1 基于Graph cuts算法的图像分割

2．4．2 基于Graph cuts算法的图像分割基本框架

2．5 Graph cuts算法改进分析

2．6 本章小结

第三章 融合混合高斯模型和图割优化算法的视频目标分割

3．1 混合高斯背景模型

3．2 视频目标的图建模方法

3．3 融合混合高斯模型和Graph cuts的能量函数构建

3．3．1 似然能量

3．3．2 先验能量

3．4 算法描述

3．5 实验结果与分析

3．6 本章小结

第四章 基于自适应正则化参数的图割算法视频目标分割

4．1 固定正则化参数对Graph cuts分割结果的影响

4．2 自适应正则化参数选择的Graph cuts算法

4．2．1 ED边缘检测算法

4．2．2 自适应先验能量的构建

4．3 算法描述

4．4 实验结果与分析

4．5 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

致谢

参考文献

附录A 读研期间参与项目和发表的论文