细胞神经网络在视频运动对象分割中的应用研究

摘要

研究细胞神经网络(CNN)用于视频运动对象分割的原因在于其并行高速的特点和适于图象处理的网络结构.目前已有的CNN芯片的整体运算速度都已达到了Tera级(10<'12>),即兆兆级,其对于提高视频处理的速度和实时性是不言而喻的.因此,有必要研究CNN在视频运动分割中的应用及其相关算法.本文讨论了细胞神经网络用于视频运动分割研究的意义,介绍了现有的视频分割算法以及细胞神经网络在该研究领域的发展动态.根据CNN网络结构特点和数理模型,详细分析了CNN的动态范围和稳定性,并介绍了图象处理中CNN输入与输出的量化方法及基本思想.针对背景相对静止的视频序列,提出了基于CNN差分图象合并的视频分割算法,并构建了与该算法相关的五个CNN模板.针对视频序列中的运动场估算,提出了较为完善的基于CNN的光流场算法,构建了视频序列在空间与时间上差分算法的CNN模板,并讨论分析了速度场在CNN系统中的8比特量化方法.针对背景相对运动是视频序列,提出了基于光流场阈值的CNN视频分割算法.

目录

文摘

英文文摘

论文说明

原创性声明和本论文使用授权说明

第一章绪论

1.1细胞神经网络用于视频运动对象分割的研究意义

1.2视频分割及其CNN算法的研究动态

1.2.1自动分割方案

1.2.2半自动分割方案

1.2.3视频分割的CNN算法

1.3本文的内容结构

第二章CNN的数理模型与系统分析

2.1标准CNN的结构与数理模型

2.2标准CNN动态范围与稳定性分析

2.2.1 CNN动态范围

2.2.2 CNN稳定性分析

2.3 CNN输入输出的量化及其图象处理的基本思想

2.3.1 CNN输入与输出量化

2.3.2 CNN的图象处理基本思想

2.4小结

第三章基于CNN差分图象合并的视频分割算法

3.1基于CNN的差分图象合并算法

3.2算法中CNN模板的设计与结构

3.2.1 CNN负片模板

3.2.2 CNN标量加合模板

3.2.3 CNN边缘检测模板

3.2.4 CNN膨胀模板

3.2.5 CNN区域填充模板

3.2.6 CNN逻辑合并操作模板

3.2.7 CNN目标分割模板

3.3实验分析与对比

3.3.1基于CNN差分图象合并算法的标准视频序列分割实验

3.3.2算法性能的对比实验

3.3.3基于CNN差分图象合并算法的非标准视频序列实验

3.4小结

第四章基于CNN的光流场算法

4.1引言

4.2光流方程与正则化方法

4.2.1光流方程与孔径问题

4.2.2正则化方法

4.3基于CNN的光流场算法

4.3.1 CNN的Lyapunov函数与正则化

4.3.2基于CNN的光流场算法

4.3.3视频序列中空间与时间差分的CNN算法

4.4基于CNN的光流场算法分析

4.5基于CNN的光流场算法的实验

4.6小结

第五章基于光流场阈值的CNN视频分割算法

5.1引言

5.2一种基于光流场阈值的运动分割方法

5.2.1关于视频序列中的光流场分布

5.2.2采用光流场阈值滤除背景光流场的分割算法

5.3基于光流场阈值的CNN视频分割算法

5.4实验与分析

5.5小结

第六章结论与展望

6.1本论文的主要工作

6.2展望

参考文献

攻读博士学位期间发表的论文

致谢