导读:本文包含了视频纹理论文开题报告文献综述、选题提纲参考文献，主要关键词:纹理,视频,卷积,神经网络,烟雾,全景,特性。
视频纹理论文文献综述写法
薛宾田,张建伟,刘博[1]（2019）在《基于LBP纹理特征和Canny算子的视频分割方法研究》一文中研究指出针对目标区域和背景区域交界处颜色相似度较高的图像分割问题,提出基于LBP(Local Binary Patterns)纹理特征和Canny算子的视频分割算法。构造能量函数的数据项颜色模型和光滑项对比度模型;根据当前block直方图与LBP背景模型直方图的相似度调整全局颜色模型和局部颜色模型的比例来改进颜色分量;通过Canny边缘检测方法对改进后颜色模型生成的图像进行检测,将得到的边缘检测结果应用到对比度分量模型中来增加前景和背景对比度;使用Graph Cut算法对能量函数进行求解,得到最终分割结果。实验结果表明,当背景光照发生变化且前景和背景交界处颜色相似时,该算法具有明显优势。(本文来源于《计算机应用与软件》期刊2019年05期）
董晓莎[2]（2019）在《基于纹理特性的虚拟现实视频帧内编码快速算法研究》一文中研究指出虚拟现实视频的一大特征是具有沉浸式体验,可以让用户体验身临其境的感受。联合视频探索小组(Joint Video Exploration Team,JVET)将虚拟现实视频编码纳入下一代视频编码标准研究范围内,并提出了虚拟现实360度视频方案。虚拟现实视频的分辨率很高(通常为4K至8K),编码需要耗费的时间很长,给此类视频实时编码带来了困难。论文重点研究了虚拟现实视频的帧内编码问题,提出了基于纹理特性的帧内编码快速算法。主要工作如下:针对虚拟现实视频CU划分过程RD-cost计算复杂度大的问题,研究了ERP格式视频不同深度CU的纹理特性,发现越靠近两极的视频图像拉伸程度及采样率越高,CU纹理越简单,适合用较大的CU进行编码;而在视频图像中部,包含的视频关键信息较多,需要用比较小的CU进行编码。基于这种规律,提出了基于纹理复杂度的CU划分快速算法,通过判断图像纹理是否复杂来确定是否提前终止当前CU的进一步划分,减少CU划分过程RD-cost的计算量,从而节省编码时间。本算法BD-rate损失为0.2%,平均减少编码时间约为33%。针对虚拟现实视频帧内预测模式决策过程中候选模式过多的问题,研究了各预测模式之间的选择规律,提出了基于纹理方向的模式选择快速算法,根据图像纹理方向减少模式选择过程中的候选模式数量。本算法BD-rate损失为1.2%,平均减少编码时间约为34%。两种算法均基于图像纹理特性进行优化,综合起来构成了基于纹理特性的帧内编码快速算法。实验结果表明,综合后的算法可以平均减少53%的编码时间,同时BD-rate仅损失1.3%。(本文来源于《北方工业大学》期刊2019-05-06）
马舒阳[3]（2019）在《基于局部纹理特征和深度卷积神经网络的视频人脸验证算法研究》一文中研究指出随着图像采集成本的降低,图像验证设备和中央监控设备大规模普及,图像人脸识别验证技术也逐渐兴起。加上近些年的社交媒体呈井喷式发展,视频环境下的人脸验证相比于基于静态图像的人脸验证具有更大的研究价值,且基于视频人脸验证的角色、主题等高层特征的分析与研究有更大的普适性和实用价值。随着卷积神经网络的发展,静态人脸验证逐渐被攻克,但是基于无约束环境的视频人脸验证却不常被关注,尤其是在数据集规模不足、且样本均存在分辨率低、姿势不一、背景多变等特点的情况下,视频人脸验证通常要依赖于视频珍贵的帧间信息。本文从多个角度分析和介绍了近几年国内外视频人脸识别与验证的相关优秀科研成果,并着重介绍了深度学习和卷积神经网络在人脸验证领域的应用情况,在过往的研究中,为了实现“端到端”的深度学习思想,更多的算法采取RGB或灰度图像作为输入,并加大网络的深度和宽度,虽然都能够极大的提高算法性能,但是对计算能力和测试平台提出了更高的要求。基于上述困难和思考,本文提出了基于叁分块纹理特征的孪生浅层卷积神经网络的人脸算法和适用于多样本人脸匹配验证的叁元组深度残差网络框架。为减少算法对训练设备和测试平台的计算能力的要求,提出了基于叁分块纹理特征和3D孪生卷积神经网络的人脸验证算法。该算法使用在人脸验证方向表现优异的局部纹理特征叁分块局部二值模式(Triple-Patch Local Binary Pattern,TPLBP)作为网络的输入,将相邻多帧图像的纹理特征表示相迭为提取视频的帧间信息做准备,其后使用浅层3D卷积神经网络进行特征浓缩和分类,再利用孪生结构求解视频对高层特征的相似度,最后为相似度进行概率加权。为增强为丰富网络的低层特征信息,提出了基于叁元组损失和深度残差网络的视频人脸识别算法,该算法使用另一种相比TPLBP作用域更广的四分块局部二值模式(FourPatch Local Binary Pattern,FPLBP),将主体特征网络更换成残差3D卷积网络结构(带有bottleneck结构),并采取针对相似性强于概念性的验证任务的叁元组损失描述,该损失描述能够很好地解决单类别样本不充裕问题。基于叁分块纹理特征和3D孪生卷积神经网络相比同性能“端到端”深度方法极大地降低了网络规模和模型计算量,叁元组多特征融合深度视频人脸验证算法虽然规模较大但性能更佳。以学习曲线、验证曲线等方式多角度全方面地展示了上述两种模型在YouTube Face数据库上的训练过程和测试结果,与该数据库的基准算法进行了对比,讨论了实验设计过程中结构变化对模型性能的影响。分析和展望了视频人脸识别与验证接下来面临的挑战和发展的方向。(本文来源于《吉林大学》期刊2019-05-01）
严云洋,张慧珍,刘以安,高尚兵[4]（2019）在《基于GMM与叁维LBP纹理的视频火焰检测》一文中研究指出针对候选区域提取准确度问题及火焰特征的描述能力,提出一种基于高斯混合模型(Gaussian mixture model,GMM)与叁维的局部二值模式(local binary pattern,LBP)纹理特征的火焰检测算法,分析火焰在RGB与HSV两个空间中的分布规律,训练出火焰的高斯混合模型,提取火焰候选区域。重点研究火焰的纹理特征,将LBP纹理与火焰的运动特征相结合形成一种新的叁维LBP纹理,提高纹理特征对火焰的分类效果。使用单分类支持向量机(one-class support vector machine,One-classSVM)分类方法,判定候选区域是否为火焰。(本文来源于《山东大学学报(工学版)》期刊2019年01期）
钱鹏飞,王宁琪,张冬冬[5]（2019）在《基于纹理特性的全景视频快速帧内编码算法》一文中研究指出为了提高对360°全景视频的编码效率,联合探索专家组研发了基于HEVC的下一代视频编码标准——多功能视频编码标准(Versatile Video Coding,VVC)。相对于HEVC,VVC具有更高的编码效率,但是也引入了更高的时间复杂度。因此为了降低其编码的计算复杂度,提出了一种针对VVC的帧内模式快速决策算法。通过分析图像块的纹理特性来减少帧内编码的候选模式数量从而减少模式选择中的冗余计算。实验结果表明,提出的算法可以节省24. 08%的编码时间同时只有0. 80%的BDrate损失。(本文来源于《信息技术与网络安全》期刊2019年01期）
林高华[6]（2018）在《基于动态纹理和卷积神经网络的视频烟雾探测方法研究》一文中研究指出火灾一旦发生,会迅速蔓延发展,吞食人类的生命和财富,破坏地球的生态环境。火灾探测是火灾预防中的关键环节,对减少灾害损失能起到重要作用。目前应用最广泛的火灾探测系统中多使用传统的感温、感烟探测器,但随着社会经济的发展,人们对火灾探测提出了更高的要求。一方面是需要火灾探测的场所增多,如商业综合体、候机楼等高大建筑,广袤的森林、草场等户外场所,另一方面需求是探测效果的提升,例如实现更早探测、可视化智能探测等。视频火灾探测技术是目前比较先进的一种火灾探测方式,特别是在目前深度学习给计算机视觉和人工智能带来重大突破的背景之下,比火焰探测更具优势的视频烟雾探测技术有望取得长足进步,逐渐走向实际工程应用。在视频烟雾探测领域,基于深度学习的视频烟雾探测方法研究刚刚起步,目前还处于传统方法与深度学习方法并存的状态,本文通过对传统的烟雾纹理特征和卷积神经网络烟雾探测技术进行深入研究,为视频烟雾探测技术走向实际应用提供理论和技术支撑。具体研究内容如下:(1)发展了一种基于不规则运动区域动态纹理烟雾探测算法。在火灾实验室标准间内设计实验,使用棉绳和正庚烷作为燃料,拍摄白色和黑色烟雾,以及行人等干扰物的高清视频,建立烟雾动态纹理的训练库和测试库。首先使用滑动窗口的方式进行烟雾探测,基于背景减除法提取运动前景,根据运动面积确定尺寸为100像素×100像素的疑似烟雾块,使用LBPTOP描述子对疑似烟雾块提取动态纹理特征向量,并用支持向量机进行训练和分类,实验结果表明滑动窗口块处理方式受块的尺寸、运动比例系数和帧判定规则等要素的影响很大。而将一帧图像作为整体,直接基于不规则运动区域提取烟雾动态纹理,可以避免这些问题,实验结果表明,该方法在保持较高探测率的同时,极大降低了误报率。基于该方法,进一步对LBPTOP、VLBP、CVLBP等描述子从编码模式、采集点数等方面进行了性能比较。(2)提出并发展了合成烟雾图像生成训练数据的方法,并用合成烟雾图像进行了基于二维卷积神经网络的烟雾探测研究。深度卷积神经网络训练需要大量样本,为解决烟雾视频数据缺乏的问题,使用Blender模拟烟雾和烟雾浓度测量两种方法获取烟雾样本,再将烟雾样本插入森林背景中得到模拟合成烟雾图像数据集和真实合成烟雾图像数据集。首先用这两个数据集训练了用于目标检测的区域卷积神经网络(Faster RCNN),并进行了测试实验,实验结果表明,合成烟雾图像训练的Faster RCNN模型对浓度较高、距离较近的烟雾探测率可达到99%以上,但对浓度较低、距离较远的烟雾探测率只有50%左右。然后用合成烟雾数据集及手工标注的烟雾分割数据集分别训练了用于语义分割的全卷积神经网络(FCN),并进行了测试实验,实验结果表明,合成烟雾训练的模型无法分割真实烟雾,手工标注的真实烟雾数据集训练的模型可以分割烟雾,但对灯光等白色干扰物体会分割错误,所以全卷积网络不适合单独用于视频烟雾探测。(3)提出并发展了一种基于叁维卷积神经网络的视频烟雾识别方法,并设计相应视频烟雾探测系统。针对二维的区域卷积神经网络只能提取图像中的空间信息而导致误报漏报仍然存在的问题,使用叁维卷积神经网络提取烟雾视频序列的帧间时间信息来对烟雾进行二次识别。首先设计非极大融合算法改进Faster RCNN,实现FasterRCNN输出的目标框能包含烟雾边缘而保留重要的运动信息,且目标框互不重迭而避免时空特征的重复提取。根据目标帧上目标框的位置,截取疑似烟雾视频序列作为叁维卷积网络的输入,使用叁维卷积提取的时空特征判断目标属性实现烟雾识别。实验结果表明,叁维卷积神经网络显着提升了探测效果。数据处理方面,改变图像亮度等数据扩增方法、基于光流法的运动信息强化、中间层特征结合FasterRCNN评分等方法,都起到了提升探测效果的作用。网络结构方面,对于数据量少、内容单一的烟雾探测,卷积网络过深会导致过拟合而降低探测准确率,网络宽度则影响时间信息的融合速度,更宽网络能保留更多时间信息,提升了探测效果。使用双路叁维卷积神经网络的识别框架,对疑似烟雾视频序列的识别准确率达到95.23%,误报率低至0.39%,本文最后设计了一个视频烟雾探测系统用于算法的检验和改进。(本文来源于《中国科学技术大学》期刊2018-11-05）
赵亚琴,蒋林权,陈越,孙一超[7]（2018）在《与视频背景颜色相似的纹理缺乏前景目标检测方法》一文中研究指出现有的视频运动目标检测方法无法有效跟踪与背景颜色相似且纹理缺乏的运动目标,对此,提出一种基于非下采样小波变换的LBP(UW-LBP)纹理特征提取新方法。对当前图像和背景图像进行叁层非下采样小波变换;对每个小波变换子图提取LBP纹理特征,为了提高运算速度,没有采用LBP直方图,而是用一个8×n位的二进制向量定义UW-LBP描述子,并用海明距离度量局部纹理的差异;提出一个从像素级到图像块级的层次的运动目标检测策略。实验结果表明,所提出的算法能够有效地检测与背景颜色相似的纹理缺乏运动目标,并对噪声和环境变化有良好的鲁棒性。(本文来源于《计算机应用与软件》期刊2018年08期）
李文杰[8]（2018）在《AVS2视频编码基于纹理分类的帧内预测模式快速选择算法的设计与实现》一文中研究指出AVS2(Audio Video StandardⅡ)视频编码标准是我国自主研发的具备独立知识产权的第二代信源编码标准,是AVS工作组在AVS,AVS+的基础上制定的新的编码标准。AVS2于2015年6月8日完善,可与同期国际标准HEVC(High Efficiency Video Coding)相媲美,标志着我国在视频编码领域的技术发展达到国际先进水平。虽然新的编码标准带来了先进的编码工具与技术,视频编码压缩比得到一倍地提升,与此同时也带来了编码复杂度的剧增,难以满足实时编码的需求,因此对AVS2视频编解码优化算法深入的研究是十分必要的。本文首先对AVS2视频编码标准所采用的框架与结构进行介绍,然后对AVS2视频编码所涉及到的关键技术进行针对性阐述和说明。研究表明,全I帧模式下,AVS2帧内预测部分耗时居于首位,具有相当高的编码复杂度。本文通过对AVS2帧内预测过程进行针对性研究,提出一种新的基于CU级纹理分类的AVS2帧内预测快速模式选择算法,根据纹理复杂度将CU的类型进行分类,同时将33种帧内预测模式完备集根据CU分类情况划分为5类预测模式集,建立起预测模式集与CU类型的映射关系,减少了编码单元CU所需遍历的预测模式数目,从而提高了编码效率,达成算法优化的目的。实验表明,新算法相较于AVS2标准代码RD14.0,全I帧模式下,以PSNR最多降低0.13dB和最多2.84%的码率提升为代价,能够节省48%~52%的编码时间。然后根据同样的研究方法,改变作用域,提出另一种新的基于PU级纹理分类的AVS2帧内预测快速模式选择算法,实验表明,新算法相较于AVS2标准代码RD14.0,全I帧模式下,该算法以PSNR下降最多0.11dB和最多4.81%的码率提升的代价,能够节省44~48%的编码时间。最后对项目组现存的帧内预测优化算法进行研究和分析,由于文献[45]提出的宽度优先CU提前终止算法和本文所提算法同处于帧内预测过程中的不同环节,故与本文所提算法存在联合的可能,通过实验与仿真数据验证了这一点,联合算法能够提升编码效率近70%,体现了联合算法的优越性。(本文来源于《西南交通大学》期刊2018-06-01）
陈肖楠,郝魁红,毕诚,薛倩[9]（2018）在《基于纹理相关性的飞机货舱视频烟雾检测方法》一文中研究指出提出一种图像型烟雾探测方法并进行实验验证。采用主动红外CCD摄像机获取图像,利用四帧差分法提取烟雾可疑区域,通过计算图像帧序列的纹理相关性特征值来设定烟雾阈值,以判断是否有火灾发生。在模拟飞机货舱内进行真实火源和干扰火源实验,实验结果表明,烟雾和干扰项可以通过纹理相关性特征值进行区分。该方法在满足运输类飞机适航标准要求的同时,提高了烟雾检测速度,为视频烟雾探测技术在飞机货舱中应用提供研究基础。(本文来源于《消防科学与技术》期刊2018年01期）
武明虎,宋冉冉,刘敏[10]（2017）在《结合HSV与纹理特征的视频阴影消除算法》一文中研究指出目的在视频监控目标检测应用中,场景中的阴影会直接影响目标检测的准确度,因此阴影抑制算法研究显得尤为重要。目前广泛使用的是HSV(hue,saturation,value)阴影抑制方法,但是该方法存在由于亮度比值的阈值不稳定而造成将运动目标也检测为阴影的问题。针对该问题,本文提出了一种结合HSV与纹理特征的视频阴影消除方法。方法首先将输入的图像使用传统的混合高斯模型建立背景并在灰度空间中提取前景,其次在HSV空间使用亮度比的阈值方法检测阴影,二者综合得到运动目标;针对由于亮度比值的阈值不稳定而导致的前景误检为阴影的问题,采用了LBP(local binary pattern)算子结合大津阈值(OTSU)提取部分运动目标。最后将LBP算子结合大津阈值提取的部分运动目标与HSV空间检测的目标两者相或,最终去除运动目标的阴影。结果本文选用在CVPR-ATON和CAVIAR标准视频库中多个场景的阴影视频,将本文算法与SNP算法、SP算法、DNM1算法和DNM2算法进行对比仿真,实验结果表明本文算法在阴影检测率和阴影识别率的平均值上提升约10%。结论本文提出的视频阴影消除算法结合了HSV与纹理特征,可以在不同的环境中有效地去除阴影,运动目标保留完整,可适用于智能视频监控、遥感图像和人机交互中。(本文来源于《中国图象图形学报》期刊2017年10期）
视频纹理论文开题报告范文
（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：
虚拟现实视频的一大特征是具有沉浸式体验,可以让用户体验身临其境的感受。联合视频探索小组(Joint Video Exploration Team,JVET)将虚拟现实视频编码纳入下一代视频编码标准研究范围内,并提出了虚拟现实360度视频方案。虚拟现实视频的分辨率很高(通常为4K至8K),编码需要耗费的时间很长,给此类视频实时编码带来了困难。论文重点研究了虚拟现实视频的帧内编码问题,提出了基于纹理特性的帧内编码快速算法。主要工作如下:针对虚拟现实视频CU划分过程RD-cost计算复杂度大的问题,研究了ERP格式视频不同深度CU的纹理特性,发现越靠近两极的视频图像拉伸程度及采样率越高,CU纹理越简单,适合用较大的CU进行编码;而在视频图像中部,包含的视频关键信息较多,需要用比较小的CU进行编码。基于这种规律,提出了基于纹理复杂度的CU划分快速算法,通过判断图像纹理是否复杂来确定是否提前终止当前CU的进一步划分,减少CU划分过程RD-cost的计算量,从而节省编码时间。本算法BD-rate损失为0.2%,平均减少编码时间约为33%。针对虚拟现实视频帧内预测模式决策过程中候选模式过多的问题,研究了各预测模式之间的选择规律,提出了基于纹理方向的模式选择快速算法,根据图像纹理方向减少模式选择过程中的候选模式数量。本算法BD-rate损失为1.2%,平均减少编码时间约为34%。两种算法均基于图像纹理特性进行优化,综合起来构成了基于纹理特性的帧内编码快速算法。实验结果表明,综合后的算法可以平均减少53%的编码时间,同时BD-rate仅损失1.3%。
（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。
视频纹理论文参考文献
[1].薛宾田,张建伟,刘博.基于LBP纹理特征和Canny算子的视频分割方法研究[J].计算机应用与软件.2019
[2].董晓莎.基于纹理特性的虚拟现实视频帧内编码快速算法研究[D].北方工业大学.2019
[3].马舒阳.基于局部纹理特征和深度卷积神经网络的视频人脸验证算法研究[D].吉林大学.2019
[4].严云洋,张慧珍,刘以安,高尚兵.基于GMM与叁维LBP纹理的视频火焰检测[J].山东大学学报(工学版).2019
[5].钱鹏飞,王宁琪,张冬冬.基于纹理特性的全景视频快速帧内编码算法[J].信息技术与网络安全.2019
[6].林高华.基于动态纹理和卷积神经网络的视频烟雾探测方法研究[D].中国科学技术大学.2018
[7].赵亚琴,蒋林权,陈越,孙一超.与视频背景颜色相似的纹理缺乏前景目标检测方法[J].计算机应用与软件.2018
[8].李文杰.AVS2视频编码基于纹理分类的帧内预测模式快速选择算法的设计与实现[D].西南交通大学.2018
[9].陈肖楠,郝魁红,毕诚,薛倩.基于纹理相关性的飞机货舱视频烟雾检测方法[J].消防科学与技术.2018
[10].武明虎,宋冉冉,刘敏.结合HSV与纹理特征的视频阴影消除算法[J].中国图象图形学报.2017