視頻的前景目標提取

• 視頻的前景目標提取
• 問題1：
• 問題2：
• 問題3：
• 問題4：
• 參考文獻：
• 源程序鏈接

視頻的前景目標提取

視頻監控是中國安防產業中最為重要的信息獲取手段。隨著“平安城市”建設的順利開展，各地普遍安裝監控攝像頭，利用大范圍監控視頻的信息，應對安防等領域存在的問題。近年來，中國各省市縣鄉的攝像頭數目呈現井噴式增長，大量企業、部門甚至實現了監控視頻的全方位覆蓋。如北京、上海、杭州監控攝像頭分布密度約分別為71、158、130個/平方公里，攝像頭數量分別達到115萬、100萬、40萬，為我們提供了豐富、海量的監控視頻信息。
目前，監控視頻信息的自動處理與預測在信息科學、計算機視覺、機器學習、模式識別等多個領域中受到極大的關注。而如何有效、快速抽取出監控視頻中的前景目標信息，是其中非常重要而基礎的問題[1-6]。這一問題的難度在于，需要有效分離出移動前景目標的視頻往往具有復雜、多變、動態的背景[7，8]。這一技術往往能夠對一般的視頻處理任務提供有效的輔助。以篩選與跟蹤夜晚時罪犯這一應用為例：若能夠預先提取視頻前景目標，判斷出哪些視頻并未包含移動前景目標，并事先從公安人員的辨識范圍中排除；而對于剩下包含了移動目標的視頻，只需辨識排除了背景干擾的純粹前景，對比度顯著，肉眼更易辨識。因此，這一技術已被廣泛應用于視頻目標追蹤，城市交通檢測，長時場景監測，視頻動作捕捉，視頻壓縮等應用中。
下面簡單介紹一下視頻的存儲格式與基本操作方法。一個視頻由很多幀的圖片構成，當逐幀播放這些圖片時，類似放電影形成連續動態的視頻效果。從數學表達上來看，存儲于計算機中的視頻，可理解為一個3維數據，其中代表視頻幀的長，寬，代表視頻幀的幀數。視頻也可等價理解為逐幀圖片的集合，即，其中為一張長寬分別為的圖片。3維矩陣的每個元素（代表各幀灰度圖上每個像素的明暗程度）為0到255之間的某一個值，越接近0，像素越黑暗；越接近255，像素越明亮。通常對灰度值預先進行歸一化處理（即將矩陣所有元素除以255），可將其近似認為[0,1]區間的某一實數取值，從而方便數據處理。一張彩色圖片由R（紅），G（綠），B（藍）三個通道信息構成，每個通道均為同樣長寬的一張灰度圖。由彩色圖片構成的視頻即為彩色視頻。本問題中，可僅考慮黑白圖片構成的視頻。在Matlab環境下，視頻的讀取、播放及相應基本操作程序見附件1。如采用其他編程環境，也可查閱相關資料獲得相應操作程序。
題目的監控視頻主要由固定位置監控攝像頭拍攝，要解決的問題為提取視頻前景目標。請通過設計有效的模型與方法，自動從視頻中分離前景目標。注意此類視頻的特點是相對于前景目標，背景結構較穩定，變化幅度較小，可充分利用該信息實現模型與算法設計。

問題1：

對一個不包含動態背景、攝像頭穩定拍攝時間大約5秒的監控視頻，構造提取前景目標（如人、車、動物等）的數學模型，并對該模型設計有效的求解方法，從而實現類似圖1的應用效果。（附件2提供了一些符合此類特征的監控視頻）

問題2：

對包含動態背景信息的監控視頻（如圖2所示），設計有效的前景目標提取方案。（附件2中提供了一些符合此類特征的典型監控視頻）

圖2 幾種典型的動態視頻背景，：樹葉搖動，水波動，噴泉變化，窗簾晃動

問題3：

在監控視頻中，當監控攝像頭發生晃動或偏移時，視頻也會發生短暫的抖動現象（該類視頻變換在短時間內可近似視為一種線性仿射變換，如旋轉、平移、尺度變化等）。對這種類型的視頻，如何有效地提取前景目標？（附件2中提供了一些符合此類特征的典型監控視頻）

問題4：

在附件3中提供了4組視頻（avi文件與mat文件內容相同）。請利用你們所構造的建模方法，從每組視頻中選出包含顯著前景目標的視頻幀標號，并將其在建模論文正文中獨立成段表示。務須注明前景目標是出現于哪一個視頻（如Campus視頻）的哪些幀（如241-250，421-432幀）。

注：強烈建議深刻考慮問題內涵，建造合理、高效的數學模型和求解方法，鼓勵進行具有開放思路與創新思維的探索性嘗試。

參考文獻：

[1] Andrews Sobral & Antoine Vacavant, A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos, Computer Vision and Image Understanding, Volume 122, May 2014, Pages 4-21
[2] B. Lee and M. Hedley, “Background estimation for video surveillance,” IVCNZ02, pp. 315–320, 2002.
[3] C. Stauffer and W. E. L. Grimson, “Adaptive background mixture models for real-time tracking,” in Computer Vision and Pattern Recognition, 1999. IEEE Computer Society Conference on., vol. 2. IEEE, 1999.
[4] E. J. Cand`es, X. Li, Y. Ma, and J. Wright, “Robust principal component analysis?” Journal of the ACM (JACM), vol. 58, no. 3, p. 11, 2011.
[5] D. Meng and F. De la Torre, “Robust matrix factorization with unknown noise,” in IEEE International Conference on Computer Vision, 2013, pp. 1337–1344.
[6] Q. Zhao, D. Meng, Z. Xu,W. Zuo, and L. Zhang, “Robust principal component analysis with complex noise,” in Proceedings of the 31st International Conference on Machine Learning (ICML-14), 2014, pp. 55–63.
[7] Y. Peng, A. Ganesh, J. Wright, W. Xu, and Y. Ma, “RASL: Robust alignment by sparse and low-rank decomposition for linearly correlated images,” Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 34, no. 11, pp. 2233–2246, 2012.
[8] M. Babaee, D. T. Dinh, and G. Rigoll, “A deep convolutional neural network for background subtraction,” arXiv preprint arXiv: 1702.01731, 2017.

源程序鏈接

https://download.csdn.net/download/a_zxswer/20018836.

總結

以上是生活随笔為你收集整理的MATLAB-视频的前景目标提取的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。