CN105488812A - 一种融合运动特征的时空显著性检测方法 - Google Patents
一种融合运动特征的时空显著性检测方法 Download PDFInfo
- Publication number
- CN105488812A CN105488812A CN201510823908.7A CN201510823908A CN105488812A CN 105488812 A CN105488812 A CN 105488812A CN 201510823908 A CN201510823908 A CN 201510823908A CN 105488812 A CN105488812 A CN 105488812A
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- color
- space
- conspicuousness
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于图像与视频处理领域,具体是一种融合空间显著性和运动特征的时空显著性检测方法。首先,用超像素分割算法将每一帧图像表示为一系列超像素并且提取超像素级的颜色直方图作为特征;然后,通过计算颜色的全局对比和空间分布得到空间显著图;其次,通过光流估计和块匹配的方法得到运动显著图;最后,使用动态融合策略将运动显著图和空间显著图融合成为最终的时空显著图。该方法融合了空间显著性和运动特征而进行显著性检测,使该算法能够同时运用于静态和动态场景中的显著性检测。
Description
1、技术领域
本发明属于图像与视频处理领域,具体是一种融合运动特征的时空显著性检测方法。本发明以基于区域的显著性检测模型为基础,首先,用超像素分割算法将每一帧图像表示为一系列超像素并且提取超像素级的颜色直方图作为特征;然后,通过光流估计和块匹配的方法得到运动显著图,根据颜色的全局对比和空间分布得到空间显著图;最后,使用一种动态融合策略将运动显著图和空间显著图融合成为最终的时空显著图。该方法融合了运动特征进行显著性检测,能够同时运用于静态和动态场景中。
2、背景技术
显著性检测是指准确地定位并提取在视频和图像中包含较大的信息量、能吸引人的注意力的区域。在图像处理过程中,将较高的处理优先级赋予图像显著区域,既可以降低计算过程的复杂度,又可以提高图像处理的效率。因此,显著性检测在目标识别、图像检索、视频图像编码等领域具有广泛的应用前景。
根据处理的信息源图像的不同,显著性检测模型可分为空域显著性检测模型和时空显著性检测模型。针对静态场景的空域显著性检测,主要有基于生物启发模型和特征整合理论的显著性检测方法,该算法通过中心-周围算子计算不同尺度上特征的差别来得到显著度。有通过计算像素与其周边像素的特征距离的基于局部对比度分析的图像显著性检测。也有将图像分割为若干区域,结合图像的空间特性和颜色对比度来计算全局对比的显著区域检测方法。
动态场景下的时空显著性检测算法不仅要考虑检测空间显著性区域,还要考虑时间轴上显著性的影响因素,如物体运动、自然条件变化、相机移动等等。根据计算方式的不同,时空显著性检测算法主要分为四类:(1)基于特征融合的模型:在图像显著性检测模型的基础上加入运动特征,计算连续两帧图像的差异来得到运动产生的显著性;(2)基于空间平面的模型:谱残余方法的基础上,认为在时间轴上,帧序列构成的像素点在X-T,Y-T平面都满足谱残余的结论,将X-T,Y-T平面看作二维矩阵,分别进行低秩-稀疏分解,最后融合成为最终的显著图;(3)基于频域分析的模型:从频域分析角度出发,将亮度、颜色、运动三类特征组合四元数组,然后通过四元数傅里叶变换获取视频在时空域上的相位谱,并利用该相位谱检测视频的显著性;(4)基于背景检测的模型:高斯混合模型也被用于时空显著性检测,在单一场景中,将高斯混合模型计算出的前景区域作为显著区域。以上方法将静态显著性和动态显著性简单的线性融合或者只突出了运动特征,忽略了场景中的动态特性和空间特性,难以获取准确的显著区域。
3、发明内容
本发明以基于区域的显著性检测模型为基础,融入光流向量块对比的方法提取图像序列的运动特征,并提出了一种将空域显著性和时域显著性动态融合的策略,能够同时运用于静态和动态的自然场景中。
(1)超像素分割及特征提取
使用简单线性迭代聚类将每一帧图像Ft表示为一系列超像素将超像素作为基本的处理单元,可以减少处理单元的数量,而且可以保证最终的检测结果能够均匀地突出显著对象。颜色特征的提取采用颜色直方图,将Lab颜色空间的每一个通道量化得到12个不同的值,将颜色的数量减少到qc=123=1728,对于每一个超像素计算超像素中所有像素在Lab空间的均值,并且进行量化得到颜色直方图CHt,最后将颜色直方图归一化,使得
(2)基于运动特征的时间显著性
本发明采用光流运动估计和块匹配的方法来提取图像序列的运动特征。光流运动估计法的基本思想是将运动图像函数f(x,y,t)作为基本函数,根据图像强度守恒原理建立光流约束方程,通过求解光流约束方程,计算运动参数。对于当前帧Ft,使用其前一帧Ft-1作为参考帧,通过光流运动估计法计算得到Ft的运动向量场(u(x,y),v(x,y)),对于当前帧Ft中的每一个超像素计算其平均运动矢量大小
为了克服背景运动和相机抖动的影响,本发明通过块匹配的方法在前一帧中找到与当前帧最匹配的超像素,并且计算该超像素与其背景超像素的相对运动值作为其显著值。具体的实现方法:在帧Ft-1中选择与其最匹配的超像素把相连接的超像素与其一起作为相关联超像素集合ψi,分别表示超像素i,j的中心位置。因此,超像素的时间显著性定义为:
其中,帧间相关性 c(i)和c(j)分别表示超像素i和j在Lab颜色空间量化后的颜色值。
(3)空间显著性
本发明根据颜色的全局对比和空间分布来计算每一帧图像的空间显著性。对于当前帧中的超像素其颜色全局对比显著值定义为:
其中,fj超像素的直方图在整幅图像中出现的概率,c(i)和c(j)分别表示超像素i和j在Lab颜色空间量化后的颜色值。
颜色的空间分布也会影响图像的显著性,颜色分布越紧密,则显著性越高,因此颜色的空间分布显著性定义为:
其中,为超像素j的中心与图像中心的距离, 当超像素i和j的颜色越相近并且距离越小,的值越大。
最后将颜色全局分布显著性与空间分布显著性融合得到图像的空间显著性:
(4)时空显著性
将时间显著性和空间显著性自适应线性融合得到时空显著图,即:
权值α定义为:
其中, 表示超像素i中的像素个数。动态场景下当运动越明显时,时间显著性的权值越大,静态场景下,α直接设置为1。
4、附图说明
附图是本发明的原理和实现步骤。
5、具体实施方式
附图1为该发明的实施流程图,其具体步骤为:
(1)图像预处理:将输入的每一帧图像通过SLIC超像素分割算法分割为一系列大小均匀、紧凑的超像素作为显著性检测的基本处理单元。
(2)颜色特征的提取:对于每一帧图像,以超像素为单位,计算超像素中所有像素在Lab空间的均值,进行量化得到颜色直方图CHt并且归一化使得
(3)时间显著性计算:通过光流运动估计法计算得到Ft相对于前一帧Ft-1的运动向量场(u(x,y),v(x,y)),并且计算得到超像素内平均矢量场大小然后通过块匹配的方法在前一帧中找到与当前帧最匹配的超像素及其相关超像素集合,使用公式(1)得到图像的时间显著图。
(4)空间显著性计算:根据基于区域的静态显著性检测模型为基础,使用公式(2)和公式(3)分别得到以超像素为基本单位的颜色全局对比显著性和颜色空间分布显著性,并通过公式(4)将其融合成为最终的空间显著图。
(5)时空显著性计算:根据公式(5)将时间显著性和空间显著性自适应线性融合得到时空显著图。
Claims (5)
1.一种融合运动特征的时空显著性检测方法,其特征是:
每将一帧图像进行超像素分割,并以超像素作为基本单元提取颜色直方图,根据颜色的全局对比和空间分布计算每一帧图像的空间显著性,采用光流运动估计和块匹配的方法来提取图像序列的运动特征,将空域显著性和时域显著性动态融合,使该算法能够同时运用于静态和动态的自然场景中运动特征的检测。
2.如权利要求1所述的一种融合运动特征的时空显著性检测方法,其特征是所述的超像素分割和超像素区域颜色直方图特征提取方法是:
使用线性迭代聚类方法将每一帧图像Ft表示为一系列超像素将超像素作为基本的处理单元,可以减少处理单元的数量,而且可以保证最终的检测结果能够均匀地突出显著对象。
对分割得到的超像素区域的颜色特征计算颜色直方图。将Lab颜色空间的每一个通道量化得到12个不同的值,将颜色的数量减少到qc=123=1728。对于每一个超像素计算超像素中所有像素在Lab空间的均值,并且进行量化得到颜色直方图CHt,最后将颜色直方图归一化,使得
3.如权利要求1所述的一种融合运动特征的时空显著性检测方法,其特征是所述的空间显著性计算方法是:
本发明根据颜色的全局对比和空间分布来计算每一帧图像的空间显著性。对于当前帧中的超像素其颜色全局对比显著值定义为:
其中,fj超像素的直方图在整幅图像中出现的概率,c(i)和c(j)分别表示超像素i和j在Lab颜色空间量化后的颜色值。
颜色的空间分布也会影响图像的显著性,颜色分布越紧密,则显著性越高,因此颜色的空间分布显著性定义为:
其中,为超像素j的中心与图像中心的距离,当超像素i和j的颜色越相近并且距离越小,的值越大。
最后将颜色全局分布显著性与空间分布显著性融合得到图像的空间显著性:
。
4.如权利要求1所述的一种融合运动特征的时空显著性检测方法,其特征是所述的采用光流运动估计和块匹配的方法来提取图像序列的运动特征的计算方法是:
光流运动估计法的基本思想是将运动图像函数f(x,y,t)作为基本函数,根据图像强度守恒原理建立光流约束方程,通过求解光流约束方程,计算运动参数。对于当前帧Ft,使用其前一帧Ft-1作为参考帧,通过光流运动估计法计算得到Ft的运动向量场(u(x,y),v(x,y)),对于当前帧Ft中的每一个超像素计算其平均运动矢量大小
为了克服背景运动和相机抖动的影响,本发明通过块匹配的方法在前一帧中找到与当前帧最匹配的超像素,并且计算该超像素与其背景超像素的相对运动值作为其显著值。具体的实现方法:在帧Ft-1中选择与其最匹配的超像素把相连接的超像素与其一起作为相关联超像素集合ψi,分别表示超像素i,j的中心位置。因此,超像素的时间显著性定义为:
其中,帧间相关性c(i)和c(j)分别表示超像素i和j在Lab颜色空间量化后的颜色值。
5.如权利要求1所述的一种融合运动特征的时空显著性检测方法,其特征是所述的时间显著性和空间显著性自适应线性融合得到时空显著图的计算方法是:
权值α定义为:
其中, 表示超像素i中的像素个数。动态场景下当运动越明显时,时间显著性的权值越大,静态场景下,α直接设置为1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510823908.7A CN105488812A (zh) | 2015-11-24 | 2015-11-24 | 一种融合运动特征的时空显著性检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510823908.7A CN105488812A (zh) | 2015-11-24 | 2015-11-24 | 一种融合运动特征的时空显著性检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105488812A true CN105488812A (zh) | 2016-04-13 |
Family
ID=55675778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510823908.7A Pending CN105488812A (zh) | 2015-11-24 | 2015-11-24 | 一种融合运动特征的时空显著性检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105488812A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898278A (zh) * | 2016-05-26 | 2016-08-24 | 杭州电子科技大学 | 一种基于双目多维感知特性的立体视频显著性检测方法 |
CN106097392A (zh) * | 2016-06-13 | 2016-11-09 | 西安电子科技大学 | 一种基于两级边缘敏感滤波的高精确光流估计方法 |
CN106210449A (zh) * | 2016-08-11 | 2016-12-07 | 上海交通大学 | 一种多信息融合的帧率上变换运动估计方法及*** |
CN106250895A (zh) * | 2016-08-15 | 2016-12-21 | 北京理工大学 | 一种光学遥感图像感兴趣区域检测方法 |
CN106372636A (zh) * | 2016-08-25 | 2017-02-01 | 上海交通大学 | 基于hop_top的视频显著性检测方法 |
CN106778776A (zh) * | 2016-11-30 | 2017-05-31 | 武汉大学深圳研究院 | 一种基于位置先验信息的时空域显著度检测方法 |
CN107085725A (zh) * | 2017-04-21 | 2017-08-22 | 河南科技大学 | 一种通过基于自适应码本的llc聚类图像区域的方法 |
CN107220616A (zh) * | 2017-05-25 | 2017-09-29 | 北京大学 | 一种基于自适应权重的双路协同学习的视频分类方法 |
CN107392917A (zh) * | 2017-06-09 | 2017-11-24 | 深圳大学 | 一种基于时空约束的视频显著性检测方法及*** |
CN107392968A (zh) * | 2017-07-17 | 2017-11-24 | 杭州电子科技大学 | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 |
CN107507225A (zh) * | 2017-09-05 | 2017-12-22 | 明见(厦门)技术有限公司 | 运动目标检测方法、装置、介质及计算设备 |
CN107767400A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 基于层次化显著性分析的遥感图像序列动目标检测方法 |
CN108052947A (zh) * | 2017-11-08 | 2018-05-18 | 北京航空航天大学 | 一种基于多尺度时空一致性的动态背景抑制方法 |
CN108241854A (zh) * | 2018-01-02 | 2018-07-03 | 天津大学 | 一种基于运动和记忆信息的深度视频显著性检测方法 |
CN108833920A (zh) * | 2018-06-04 | 2018-11-16 | 四川大学 | 一种基于光流和块匹配的dvc边信息融合方法 |
CN109146925A (zh) * | 2018-08-23 | 2019-01-04 | 郑州航空工业管理学院 | 一种动态场景下显著性目标检测方法 |
CN109191485A (zh) * | 2018-08-29 | 2019-01-11 | 西安交通大学 | 一种基于多层超图模型的多视频目标协同分割方法 |
CN109255793A (zh) * | 2018-09-26 | 2019-01-22 | 国网安徽省电力有限公司铜陵市义安区供电公司 | 一种基于视觉特征的监控预警*** |
CN109446976A (zh) * | 2018-10-24 | 2019-03-08 | 闽江学院 | 一种基于子波变换和特征对比的视频大数据信息提取方法 |
CN109711417A (zh) * | 2018-12-06 | 2019-05-03 | 重庆邮电大学 | 一种基于低水平显著性融合和测地线的视频显著性检测方法 |
CN110827193A (zh) * | 2019-10-21 | 2020-02-21 | 国家广播电视总局广播电视规划院 | 基于多通道特征的全景视频显著性检测方法 |
CN110866896A (zh) * | 2019-10-29 | 2020-03-06 | 中国地质大学(武汉) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 |
CN110969605A (zh) * | 2019-11-28 | 2020-04-07 | 华中科技大学 | 一种基于空时显著图的运动小目标检测方法和*** |
CN111723715A (zh) * | 2020-06-10 | 2020-09-29 | 东北石油大学 | 一种视频显著性检测方法及装置、电子设备和存储介质 |
CN115953419A (zh) * | 2023-03-09 | 2023-04-11 | 天津艾思科尔科技有限公司 | 一种基于超像素分析的动态视频检测预处理方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509308A (zh) * | 2011-08-18 | 2012-06-20 | 上海交通大学 | 基于混合动态纹理空时显著性检测的运动分割方法 |
CN102903120A (zh) * | 2012-07-19 | 2013-01-30 | 中国人民解放军国防科学技术大学 | 基于时空条件信息的运动目标检测方法 |
CN103020992A (zh) * | 2012-11-12 | 2013-04-03 | 华中科技大学 | 一种基于运动颜色关联的视频图像显著性检测方法 |
CN103208125A (zh) * | 2013-03-14 | 2013-07-17 | 上海大学 | 视频帧图像中颜色和运动全局对比度的视觉显著性算法 |
CN103747240A (zh) * | 2013-12-25 | 2014-04-23 | 浙江大学 | 融合颜色和运动信息的视觉显著性滤波方法 |
CN104063872A (zh) * | 2014-07-04 | 2014-09-24 | 西安电子科技大学 | 基于改进视觉注意模型的序列图像显著区域检测方法 |
-
2015
- 2015-11-24 CN CN201510823908.7A patent/CN105488812A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509308A (zh) * | 2011-08-18 | 2012-06-20 | 上海交通大学 | 基于混合动态纹理空时显著性检测的运动分割方法 |
CN102903120A (zh) * | 2012-07-19 | 2013-01-30 | 中国人民解放军国防科学技术大学 | 基于时空条件信息的运动目标检测方法 |
CN103020992A (zh) * | 2012-11-12 | 2013-04-03 | 华中科技大学 | 一种基于运动颜色关联的视频图像显著性检测方法 |
CN103208125A (zh) * | 2013-03-14 | 2013-07-17 | 上海大学 | 视频帧图像中颜色和运动全局对比度的视觉显著性算法 |
CN103747240A (zh) * | 2013-12-25 | 2014-04-23 | 浙江大学 | 融合颜色和运动信息的视觉显著性滤波方法 |
CN104063872A (zh) * | 2014-07-04 | 2014-09-24 | 西安电子科技大学 | 基于改进视觉注意模型的序列图像显著区域检测方法 |
Non-Patent Citations (3)
Title |
---|
刘晓辉等: "融合运动和空间关系特性的显著性区域检测", 《华中科技大学学报(自然科学版)》 * |
张焱等: "基于动态显著性特征的粒子滤波多目标跟踪算法", 《电子学报》 * |
汪国有等: "复杂背景下序贯显著性特征海面目标检测算法", 《华中科技大学学报(自然科学版)》 * |
Cited By (43)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105898278B (zh) * | 2016-05-26 | 2017-10-27 | 杭州电子科技大学 | 一种基于双目多维感知特性的立体视频显著性检测方法 |
CN105898278A (zh) * | 2016-05-26 | 2016-08-24 | 杭州电子科技大学 | 一种基于双目多维感知特性的立体视频显著性检测方法 |
CN106097392A (zh) * | 2016-06-13 | 2016-11-09 | 西安电子科技大学 | 一种基于两级边缘敏感滤波的高精确光流估计方法 |
CN106210449A (zh) * | 2016-08-11 | 2016-12-07 | 上海交通大学 | 一种多信息融合的帧率上变换运动估计方法及*** |
CN106210449B (zh) * | 2016-08-11 | 2020-01-07 | 上海交通大学 | 一种多信息融合的帧率上变换运动估计方法及*** |
CN106250895A (zh) * | 2016-08-15 | 2016-12-21 | 北京理工大学 | 一种光学遥感图像感兴趣区域检测方法 |
CN106250895B (zh) * | 2016-08-15 | 2019-07-26 | 北京理工大学 | 一种光学遥感图像感兴趣区域检测方法 |
CN106372636A (zh) * | 2016-08-25 | 2017-02-01 | 上海交通大学 | 基于hop_top的视频显著性检测方法 |
CN106778776B (zh) * | 2016-11-30 | 2020-04-10 | 武汉大学深圳研究院 | 一种基于位置先验信息的时空域显著度检测方法 |
CN106778776A (zh) * | 2016-11-30 | 2017-05-31 | 武汉大学深圳研究院 | 一种基于位置先验信息的时空域显著度检测方法 |
CN107085725A (zh) * | 2017-04-21 | 2017-08-22 | 河南科技大学 | 一种通过基于自适应码本的llc聚类图像区域的方法 |
CN107085725B (zh) * | 2017-04-21 | 2020-08-14 | 河南科技大学 | 一种通过基于自适应码本的llc聚类图像区域的方法 |
CN107220616A (zh) * | 2017-05-25 | 2017-09-29 | 北京大学 | 一种基于自适应权重的双路协同学习的视频分类方法 |
CN107392917A (zh) * | 2017-06-09 | 2017-11-24 | 深圳大学 | 一种基于时空约束的视频显著性检测方法及*** |
CN107392917B (zh) * | 2017-06-09 | 2021-09-28 | 深圳大学 | 一种基于时空约束的视频显著性检测方法及*** |
CN107767400A (zh) * | 2017-06-23 | 2018-03-06 | 北京理工大学 | 基于层次化显著性分析的遥感图像序列动目标检测方法 |
CN107767400B (zh) * | 2017-06-23 | 2021-07-20 | 北京理工大学 | 基于层次化显著性分析的遥感图像序列动目标检测方法 |
CN107392968A (zh) * | 2017-07-17 | 2017-11-24 | 杭州电子科技大学 | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 |
CN107392968B (zh) * | 2017-07-17 | 2019-07-09 | 杭州电子科技大学 | 融合颜色对比图和颜色空间分布图的图像显著性检测方法 |
CN107507225A (zh) * | 2017-09-05 | 2017-12-22 | 明见(厦门)技术有限公司 | 运动目标检测方法、装置、介质及计算设备 |
CN107507225B (zh) * | 2017-09-05 | 2020-10-27 | 明见(厦门)技术有限公司 | 运动目标检测方法、装置、介质及计算设备 |
CN108052947B (zh) * | 2017-11-08 | 2019-12-27 | 北京航空航天大学 | 一种基于多尺度时空一致性的动态背景抑制方法 |
CN108052947A (zh) * | 2017-11-08 | 2018-05-18 | 北京航空航天大学 | 一种基于多尺度时空一致性的动态背景抑制方法 |
CN108241854A (zh) * | 2018-01-02 | 2018-07-03 | 天津大学 | 一种基于运动和记忆信息的深度视频显著性检测方法 |
CN108241854B (zh) * | 2018-01-02 | 2021-11-09 | 天津大学 | 一种基于运动和记忆信息的深度视频显著性检测方法 |
CN108833920B (zh) * | 2018-06-04 | 2022-02-11 | 四川大学 | 一种基于光流和块匹配的dvc边信息融合方法 |
CN108833920A (zh) * | 2018-06-04 | 2018-11-16 | 四川大学 | 一种基于光流和块匹配的dvc边信息融合方法 |
CN109146925A (zh) * | 2018-08-23 | 2019-01-04 | 郑州航空工业管理学院 | 一种动态场景下显著性目标检测方法 |
CN109146925B (zh) * | 2018-08-23 | 2022-09-06 | 郑州航空工业管理学院 | 一种动态场景下显著性目标检测方法 |
CN109191485A (zh) * | 2018-08-29 | 2019-01-11 | 西安交通大学 | 一种基于多层超图模型的多视频目标协同分割方法 |
CN109255793B (zh) * | 2018-09-26 | 2019-07-05 | 国网安徽省电力有限公司铜陵市义安区供电公司 | 一种基于视觉特征的监控预警*** |
CN109255793A (zh) * | 2018-09-26 | 2019-01-22 | 国网安徽省电力有限公司铜陵市义安区供电公司 | 一种基于视觉特征的监控预警*** |
CN109446976A (zh) * | 2018-10-24 | 2019-03-08 | 闽江学院 | 一种基于子波变换和特征对比的视频大数据信息提取方法 |
CN109711417A (zh) * | 2018-12-06 | 2019-05-03 | 重庆邮电大学 | 一种基于低水平显著性融合和测地线的视频显著性检测方法 |
CN109711417B (zh) * | 2018-12-06 | 2022-12-27 | 重庆邮电大学 | 一种基于低水平显著性融合和测地线的视频显著性检测方法 |
CN110827193A (zh) * | 2019-10-21 | 2020-02-21 | 国家广播电视总局广播电视规划院 | 基于多通道特征的全景视频显著性检测方法 |
CN110827193B (zh) * | 2019-10-21 | 2023-05-09 | 国家广播电视总局广播电视规划院 | 基于多通道特征的全景视频显著性检测方法 |
CN110866896A (zh) * | 2019-10-29 | 2020-03-06 | 中国地质大学(武汉) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 |
CN110866896B (zh) * | 2019-10-29 | 2022-06-24 | 中国地质大学(武汉) | 基于k-means与水平集超像素分割的图像显著性目标检测方法 |
CN110969605A (zh) * | 2019-11-28 | 2020-04-07 | 华中科技大学 | 一种基于空时显著图的运动小目标检测方法和*** |
CN111723715A (zh) * | 2020-06-10 | 2020-09-29 | 东北石油大学 | 一种视频显著性检测方法及装置、电子设备和存储介质 |
CN111723715B (zh) * | 2020-06-10 | 2022-03-15 | 东北石油大学 | 一种视频显著性检测方法及装置、电子设备和存储介质 |
CN115953419A (zh) * | 2023-03-09 | 2023-04-11 | 天津艾思科尔科技有限公司 | 一种基于超像素分析的动态视频检测预处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105488812A (zh) | 一种融合运动特征的时空显著性检测方法 | |
KR102138950B1 (ko) | 조합된 깊이 큐들에 기초하여 모노스코픽 이미지로부터 깊이 맵 생성 | |
CN107909548B (zh) | 一种基于噪声建模的视频去雨方法 | |
CN104408742B (zh) | 一种基于空间‑时间频谱联合分析的运动目标检测方法 | |
US9679387B2 (en) | Depth-weighted group-wise principal component analysis for video foreground/background separation | |
Guo et al. | Robust foreground detection using smoothness and arbitrariness constraints | |
Fei et al. | Visual tracking based on improved foreground detection and perceptual hashing | |
CN102542571B (zh) | 一种运动目标检测方法及装置 | |
CN108292355B (zh) | 用于确定行人流的方法和*** | |
CN110298281B (zh) | 视频结构化方法、装置、电子设备及存储介质 | |
CN111639564B (zh) | 一种基于多注意力异构网络的视频行人重识别方法 | |
CN110827312B (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN104766065B (zh) | 基于多视角学习的鲁棒性前景检测方法 | |
CN111160295A (zh) | 基于区域引导和时空注意力的视频行人重识别方法 | |
WO2023159898A1 (zh) | 一种动作识别***、方法、装置及模型训练方法、装置、计算机设备及计算机可读存储介质 | |
WO2014208963A1 (ko) | 적응적 블록 분할을 이용한 다중 객체 검출 장치 및 방법 | |
Mansour et al. | Video background subtraction using semi-supervised robust matrix completion | |
CN105931189B (zh) | 一种基于改进超分辨率参数化模型的视频超分辨率方法及装置 | |
Roy et al. | A comprehensive survey on computer vision based approaches for moving object detection | |
Ma et al. | A lightweight neural network for crowd analysis of images with congested scenes | |
CN108647605B (zh) | 一种结合全局颜色与局部结构特征的人眼凝视点提取方法 | |
Mohanty et al. | A survey on moving object detection using background subtraction methods in video | |
CN106022310B (zh) | 基于htg-hog和stg特征的人体行为识别方法 | |
Wan et al. | Illumination robust video foreground prediction based on color recovering | |
CN107564029B (zh) | 基于高斯极值滤波和群稀疏rpca的运动目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160413 |
|
WD01 | Invention patent application deemed withdrawn after publication |