具有超像素层次的时空高斯混合背景减除法
摘要——我们提出了一种基于层次结构的背景减法算法超像素分割、生成树和光流。首先，我们生成基于高斯混合模型的超混合分割树将每个GMM作为一个顶点来构造生成树。接下来，我们使用M平滑器增强生成树上的空间一致性估计光流以将M平滑器扩展到时域。在合成的和真实的基准数据集上的实验结果表明，该算法在像素值频繁和突变的情况下，相对于最新的方法，在视频背景减法方面表现出良好的性能。
索引项——背景建模、超级像素层次、最小生成树、跟踪、光流
1简介
背景建模是计算机视觉领域研究最为广泛的课题之一[1]、[2]、[3]、[4]。在视频监控、事件检测、人机界面等众多视觉应用中，它通常被用作预处理步骤。移动电话的日益广泛使用推动了背景减法在移动相机中的发展，最近的方法[5]、[6]利用运动估计来补偿相机的运动已经证明了其在背景减法中的有效性。然而，应用领域仅限于相当严格的假设，如低场景复杂度。在静态摄像机的假设下，开发高效、鲁棒的背景减法算法，以考虑动态背景、光照变化和场景的杂乱，是一个具有挑战性的问题。本文提出了一种基于视频时空线索的实时背景减除算法，并在基准数据集上验证了该算法的有效性。
1.1相关工作
背景减法算法可以根据像素[7]、[8]、[9]、[10]、[11]、[12]、[13]、[14]、块特征[15]、[16]、[17]、[18]、[19]、[20]、区域[21]、[22]、[23]、[24]、聚类[25]、[26]、超级像素[27]、[28]、[29]、[30]和混合提示[31]、[32]、[33]大致分类。
基于像素的方法通过参数概率密度函数（如混合高斯函数）对像素外观建模[8]，或非参数方法，如核密度估计函数[7]、[9]和历史像素值的直方图[13]。虽然这些方法和变体[10]、[11]、[12]、[14]已被证明能够有效地区分前景和背景像素，但它们对不可避免的不规则背景变化（例如突然的照明变化和相机抖动）敏感。基于像素周围的局部纹理来开发块特征，例如局部二值模式（LBP）[16]、[17]、[18]、[20]，以减轻不同照明的影响。然而，它们对像素的频繁外观变化的鲁棒性较差。基于区域的方法考虑了空间相关性，使用区域级背景模型[22]或前景形状模型[24]来细化原始像素级分类并减轻前景孔径。基于聚类的方法[25]，[26]用聚类密度估计减去背景，以处理背景中的轻微运动。提出了基于混合线索的方法[31]、[32]、[33]，以结合使用空间纹理和时间运动线索的各种线索的优点。在这项工作中，我们提出了一个协同整合有效像素的算法：基于时空线索的GMMs方法进行鲁棒背景减除。
在文献[34]中，GMMs的时空约束被证明是对突然变化的鲁棒性。在文献[35]中，开发了视频帧的每个块中纹理和运动模式的紧凑表示，以考虑由背景运动引起的外观变化。但是，块边界附近的像素没有很好地建模。方等人。文献[36]使用颜色像素和周围邻域特征来构造GMMs，以更有效地检测对象，而代价是计算量大。马尔可夫随机场（MRF）被广泛应用于背景建模中，以增强时空邻接性[37]、[38]、[39]。然而，目标边界通常不太精确，或者计算量大。为了提高效率和有效性，我们将基于最小生成树（MST）的聚集方法[40]与空间一致解的鲁棒估计相结合，并使用快速边缘保持光流算法[41]实施时间一致约束。
近年来，为了提高视频对象的空间相关性，在视频对象分割方法中引入了超像素。每个超级像素的外观和运动模型都用于确定每个像素的标签和信念传播[27]。在文献[28]中，它首先通过分析超像素在连续帧中的变化来生成预测运动区域的粗略前景分割；然后根据运动区域的外观和感知组织来细化分割。为了利用稀疏性和结构化前景约束进行有效的背景减除，提出了一种基于超像素的矩阵分解方法[29]。然而，对于经历大规模变化的前景对象或具有动态外观变化的背景，使用单层超混合的方法仍然没有效。为此，本文提出了一种基于超像素层次结构的背景减除算法。不同于文献[30]简单捕捉不同尺度下的前场，并对多尺度分割进行平均的方法，本文采用层次GMMs作为背景模型来处理大尺度和动态的外观变化。通过与各尺度上超像素的时空线索相结合，证明了该算法在复杂场景中具有良好的性能，且计算量小。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
