导读:本文包含了视频对象分割论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:对象,视频,神经网络,算法,卷积,细胞,区域。
视频对象分割论文文献综述
赵姗[1]（2019）在《基于深度学习的视频对象分割方法》一文中研究指出视频对象分割技术是计算机视觉中一项基础而关键的技术,它旨在按照一定的标准分割出视频序列中人们感兴趣的区域,包括静态场景视频中出现的行人,动态场景视频中拍摄的主体对象等。该技术广泛应用于智能视频监控、视频会议、智能交通等领域。现有的视频对象分割方法可以分为基于半监督的传统方法,基于无监督的传统方法,基于半监督的深度学习方法以及基于无监督的深度学习方法。基于半监督的方法在使用过程中需要人机交互,因此可应用的范围十分有限。而无监督的传统方法,由于是人为设计的特征提取器,难以在复杂多变的环境下保持良好的分割效果。虽然无监督的深度学习方法无需人工设计特征提取器,可以利用网络自主学习需要用到的特征,对不同的场景具有更好的适应性。但通过网络端到端的进行分割难以同时做到分割出完整对象且不产生被误判为对象的背景区域。为了提高分割精度,并将方法应用于较多的场景中,本文提出了基于无监督的深度学习,并结合传统方法的覆盖-种子融合网络。覆盖-种子融合网络由覆盖分支、种子分支和融合部分共同组成。其中,覆盖分支用于解决分割出来的目标对象缺损或边界不准确的问题,种子分支和融合部分则解决产生错误分割为前景的背景区域的问题。两个分支采用相同的神经网络结构,通过不同的损失函数和评价指标分别得到两个分支的模型。而融合部分则采用传统图像处理方法中的区域生长算法,以种子分支的输出为区域生长算法的种子,以覆盖分支的输出为其中一个生长约束条件,通过对种子分支的输出进行生长得到最终的分割结果。进一步地,根据采用的分支结构的不同,可以将本文提出的覆盖-种子融合网络分为不利用帧间信息的覆盖-种子融合网络和利用光流的覆盖-种子融合网络。为了验证网络各部分的有效性以及网络的整体性能,本文分别对两种覆盖-种子融合网络的各组成部分进行了消去实验,并在叁个公开的视频对象分割数据集与其它经典的视频对象分割方法进行对比,实验结果证明了该网络的有效性。(本文来源于《电子科技大学》期刊2019-03-20）
孙婷[2]（2019）在《一种基于交替凸优化的视频对象分割算法》一文中研究指出现有视频对象分割方案多数存在应用场景受限、运动背景过分割等问题,为此,提出一种可从视频序列中自动检测重要对象的无监督视频对象分割算法。从前景和背景概率分布的角度引入马尔可夫能量、时空能量和对抗能量。将视频对象分割问题建模为基于3种混合能量最小化的非凸优化问题,利用基于交替凸优化的方法将其分解为2个二次规划问题。采用前向-反向传递策略,以充分利用时域相关性从而提高对象分割的可靠性。结合多种视频数据集进行仿真,结果表明,与其他最新的视频对象分割算法相比,该算法的分割性能有明显提高。(本文来源于《计算机工程》期刊2019年03期）
寇万里,车嵘,严丽娜[3]（2018）在《基于形态学重建和边界融合的视频对象分割方法研究》一文中研究指出通过对现有的视频序列中运动对象分割算法的研究,在时空融合的框架指导下,提出了一种基于形态学重建和边界融合的视频对象分割方法。具体地,空间域利用形态学重建及形态学梯度阈值判别的改进分水岭算法,有效抑制了"过分割"现象;时间域采用变化检测的方法来初步确定运动区域,采用高阶统计量的方法进行高斯检验,有效去除了视频序列存在的背景噪声;提出了基于边界的四阶矩,用以滤除噪声并进行时空融合,较最初的四阶矩方法,大幅提升了运算效率。(本文来源于《通信技术》期刊2018年04期）
许经纬[4]（2018）在《基于深度学习的视频镜头检测与对象分割》一文中研究指出在大数据时代,越来越多的视频数据等待着被处理、分析和挖掘。然而,很多视频在产生时并没有进行有效的标注甚至没有标注,这给人们搜索并处理他们感兴趣的视频部分带来了极大的挑战,因而开发一套高效的视频结构化分析技术是很有必要的。其中,视频镜头检测技术和视频对象分割技术是实现视频结构化分析的基础和关键步骤。针对视频镜头检测本文做了如下贡献:提出了一个高效的视频镜头检测框架,指出高效的模型中应必备的叁个要素(预处理,特征提取和检测算法),并给出了相应的设计建议。根据提出的框架本文进一步实现了基于深度学习的视频镜头检测算法。算法思路如下:首先应用框架内详细介绍的基于二分比较的方法对给定视频进行预处理,滤除大量的非镜头帧并得到可能包含镜头边界的候选段。然后使用AlexNet对每段提取深度特征,通过分析、筛选得到具有强表达能力的fc-6特征对候选段内的帧进行高效表征。最后分别针对突变边界、渐变边界候选段应用相应的检测算法:对于突变边界检测,本文综合考虑了段内平均相似度和连续帧间相似度的关系并定义了相似度“显着”改变的标准,进而能够精确检测得到突变边界的位置;对于渐变边界检测,本文通过对渐变边界的分析得到了其通用的“倒叁角形模式”,并基于该模式设计了对应的匹配准则,保证了渐变边界检测过程的高效性和稳定性。实验证明基于深度学习的视频镜头检测算法在突变边界和渐变边界检测上都要显着优于已有算法。针对视频对象分割本文做了如下贡献:提出了基于双流深度编码-解码网络的视频对象分割算法。本文认为在视频对象分割任务中,帧内信息分割和帧间信息分割都是不可或缺的,因而建立了两路网络分别用于分割单帧图像和帧间运动信息。两路网络有着完全相同的编码-解码结构,唯一的不同是它们的输入,前者是视频序列中的帧,后者则是该帧对应的光流场RGB图。编码结构的主要作用是高效地处理输入图像得到一个“粗”分割结果——分辨率比较低、物体位置明确但边界及细节信息不清晰。解码结构则是利用编码过程中学习得到的结构化特征对得到的“粗”分割结果进行逐步细化,递归地改进分割结果的边缘和细节信息,最终得到一个分辨率等同于输入图像的“细”分割结果。最终两路网络得到的结果经过融合提升得到更好的分割结果。实验证明基于双流深度编码-解码网络的视频对象分割算法在性能上相比于已有算法更有竞争力,是一种高效的分割算法。(本文来源于《上海交通大学》期刊2018-01-05）
余欣纬,柯余洋,熊焰,黄文超[5]（2017）在《面向多种场景的视频对象自动分割算法》一文中研究指出针对当前应用于视频对象分割的图割方法容易在复杂环境、镜头移动、光照不稳定等场景下鲁棒性不佳的问题,提出了结合光流和图割的视频对象分割算法.主要思路是通过分析前景对象的运动信息,得到单帧图像上前景区域的先验知识,从而改善分割结果.论文首先通过光流场采集视频中动作信息,并提取出前景对象先验区域,然后结合前景和背景先验区域建立图割模型,实现前景对象分割.最后为提高算法在不同场景下的鲁棒性,本文改进了传统的测地显着性模型,并基于视频本征的时域平滑性,提出了基于混合高斯模型的动态位置模型优化机制.在两个标准数据集上的实验结果表明,所提算法与当前其他视频对象分割算法相比,降低了分割结果的错误率,有效提高了在多种场景下的鲁棒性.(本文来源于《计算机系统应用》期刊2017年11期）
王大雷,张桂梅,汪材印,黄飞[6]（2016）在《基于LDOF光流算法的视频对象分割方法》一文中研究指出针对目前视频对象分割算法中存在分割速度慢的问题,提出了一种基于LDOF光流算法的视频对象分割方法。首先,利用LDOF((Large Displace Optical Flow)计算视频帧中t与t+1时刻像素点的光流;然后,计算N个邻近像素的方向导数,获得视频对象粗略轮廓信息;再利用高斯混合模型建立前景与背景模型,并运用扫描线算法获得到视频对象精确的轮廓;最后,采用Grab Cut算法对视频对象进行分割。实验结果表明,该算法能有效的提高了视频对象分割的速度。(本文来源于《南昌航空大学学报(自然科学版)》期刊2016年04期）
葛晓叶,乔栋[7]（2016）在《基于光流场的视频对象分割算法》一文中研究指出提出了一种改进的基于光流场的视频对象分割算法,先用细胞神经网络边缘迭加模板将边缘检测操作所得到的边缘与原灰度图像进行迭加,完成对原灰度图像的增强处理,再对运动目标做运动场估算,最后根据其运动特征实现视频对象的分割。本算法在保证分割结果的精确度的同时,减少了模板的使用,更加简洁,处理速度更快。(本文来源于《现代工业经济和信息化》期刊2016年06期）
王小平[8]（2016）在《基于运动背景的自适应视频对象分割算法》一文中研究指出为解决运动背景中视频对象的准确提取,提出一种基于全局运动的自适应视频对象分割算法。基于特征点计算帧间运动,利用最小二乘法计算摄像机仿射参数进行运动补偿,通过二值开闭重建滤波器进行预处理消除噪声;采用改进的分水岭算法将图像标记成不同的灰度区域,以自适应的光流法对分割的对象信息进行评判,从运动背景中分割出前景对象。实验表明,该算法能准确地从运动背景中分割出视频对象,显着地减少了动态前景对象的分割误差,提高了分割质量,可应用于运动目标检测与跟踪。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2016年01期）
葛晓叶,乔栋[9]（2015）在《基于OTSU的细胞神经网络视频对象分割算法》一文中研究指出结合CNN的特点,提出了一种基于OTSU算法的细胞神经网络视频对象分割算法,通过仿真实验证明了此算法的可行性。本算法是对差分图像合并算法的一种改进,原理简单,易实现,处理速度快且精度高。(本文来源于《现代工业经济和信息化》期刊2015年21期）
姚积欢[10]（2015）在《无监督视频对象分割方法的研究》一文中研究指出视频对象分割技术是模式识别、机器视觉领域的一个重要研究方向,其在智能监控、视频检索、目标识别、交互式视频娱乐等方面都有广泛的应用前景。国内外很多学者已经对视频分割技术做了大量的研究,但仍然有很多难题没有解决,如需手动标注分割对象、在自动分割时效果不佳、分割速率慢、鲁棒性不好等问题。本文主要围绕无约束视频分割中自动分割地效果与分割速率这两方面进行研究。具体研究内容和成果如下:1、详细介绍了视频对象分割的基础:图像分割算法与图论相关知识。然后进一步讨论了当前视频分割的主要方法与分类。在前人的基础上,提出算法的改进。2、提出了一种新的结合LDOF光流法与区域扫描线的视频对象分割方法。该方法首先利用LDOF光流法计算视频帧中t与t?1时刻像素点的光流,并结合像素点光流梯度和该像素点个邻近像素的方向导数来提取出视频对象的粗略轮廓信息;然后采用区域扫描线算法,快速准确地检测出运动对象的轮廓,抑制了过分割及弥补光流场不能精确提取目标边缘;在得到视频对象初始轮廓后,对轮廓模型进行学习、建模,最后利用Grab Cut算法精确分割出视频对象。该方法能够自动的分割视频中运动目标,也取得了较好的分割效果和分割速率。N3、提出了一种新的基于约束条件下区域选择的视频对象分割方法。该算法基于帧内得分与帧间得分的总和构建候选视频对象区域,利用最大权团算法在候选区域中选择对象区域,这样就将视频对象的分割转化为区域图中搜寻最大权团的问题。增加帧内互斥约束与帧间邻近约束来消除不可靠的区域选择引起的无法求得离散解的问题。最后引入一种新的约束条件下最大权团的计算方法。理论分析和实验结果均表明本章算法是有效的。(本文来源于《南昌航空大学》期刊2015-06-01）
视频对象分割论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
现有视频对象分割方案多数存在应用场景受限、运动背景过分割等问题,为此,提出一种可从视频序列中自动检测重要对象的无监督视频对象分割算法。从前景和背景概率分布的角度引入马尔可夫能量、时空能量和对抗能量。将视频对象分割问题建模为基于3种混合能量最小化的非凸优化问题,利用基于交替凸优化的方法将其分解为2个二次规划问题。采用前向-反向传递策略,以充分利用时域相关性从而提高对象分割的可靠性。结合多种视频数据集进行仿真,结果表明,与其他最新的视频对象分割算法相比,该算法的分割性能有明显提高。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
视频对象分割论文参考文献
[1].赵姗.基于深度学习的视频对象分割方法[D].电子科技大学.2019
[2].孙婷.一种基于交替凸优化的视频对象分割算法[J].计算机工程.2019
[3].寇万里,车嵘,严丽娜.基于形态学重建和边界融合的视频对象分割方法研究[J].通信技术.2018
[4].许经纬.基于深度学习的视频镜头检测与对象分割[D].上海交通大学.2018
[5].余欣纬,柯余洋,熊焰,黄文超.面向多种场景的视频对象自动分割算法[J].计算机系统应用.2017
[6].王大雷,张桂梅,汪材印,黄飞.基于LDOF光流算法的视频对象分割方法[J].南昌航空大学学报(自然科学版).2016
[7].葛晓叶,乔栋.基于光流场的视频对象分割算法[J].现代工业经济和信息化.2016
[8].王小平.基于运动背景的自适应视频对象分割算法[J].重庆邮电大学学报(自然科学版).2016
[9].葛晓叶,乔栋.基于OTSU的细胞神经网络视频对象分割算法[J].现代工业经济和信息化.2015
[10].姚积欢.无监督视频对象分割方法的研究[D].南昌航空大学.2015
论文知识图
