用于视频目标分割的基于稀疏表示的hCRF模型研究

视频目标分割是视频监控、视频跟踪等众多视频分析领域中的关键步骤之一，其难点在于需要保持视频目标在时间域上的平滑性。本项目利用多尺度几何分析方法对视频图像进行稀疏表示，并构建出合适的隐条件随机场模型对稀疏数据进行建模，以更好地描述视频数据在时空邻域中所包含的潜在结构；通过对模型的有监督训练与学习，最终完成对视频目标的精确分割。主要研究内容包括：视频图像稀疏表示理论与方法，基于视频图像稀疏表示的隐条件随机场模型的构建与参数学习方法，稀疏表示的完备性对模型精确性的影响，以及在摄像头运动条件下模型的推广应用。项目中所提出的方法具有很好的自适应性与鲁棒性，可以满足实际应用的要求。本项目的开展对视频目标的检测、分割和跟踪提供了一种新的视角和思路。

视频目标分割是计算机视觉中的一个热点问题，其目的是分割出视频图像序列每一帧内的感兴趣目标。本项目紧紧围绕视频目标的精确分割为目标，在理论和应用等多方面展开了广泛深入的研究。主要研究成果包括：.（1）进一步深入研究了传统基于背景减法的视频目标分割算法，重点研究了高斯混合模型、均值漂移算法、融合背景码本与颜色模型的背景更新算法，以及它们在视频目标分割中的应用。.（2）提出了一种基于动态纹理的人群多方向运动分割算法，初步应用于人群流量估计。.（3）研究了基于Contourlet变换的视频目标稀疏表达方法，并在此基础上探讨了其在视频目标跟踪中的应用。.（4）研究了基于HCRF的视频目标分割方法，重点研究了模型构建中视频图像特征的提取、CRF模型中能量函数的构建、用于视频目标分割的能量函数改进方法以及模型推断方法等。.（5）研究了基于稀疏表达下HCRF模型的视频目标分割算法，并与已有视频目标分割算法进行了对比。.在标准测试集、自拍视频及网络下载视频中的视频目标分割实验结果表明：本项目所提出的基于稀疏表达下HCRF模型的视频目标分割算法可以较好地完成视频目标的分割， 分割后的目标不会出现“虫洞”现象，且误分类较少。.本项目研究完全达到预期目标。