视频对象分割的原理与应用

前言
第1章 视频对象分割提取概述
1.1 视频对象分割提取的基本概念
1.1.1 视频对象的定义
1.1.2 视频分割与图像分割的关系
1.2 视频对象分割方法的分类与应用概况
1.2.1 分割方法的分类
1.2.2 应用概况
1.3 本书的结构
参考文献
第2章 像素域视频对象分割基础
2.1 图像的预处理和后处理技术
2.1.1 图像的滤波处理
2.1.2 梯度算子
2.1.3 数学形态学预／后处理
2.2 基于空间域的分割
2.2.1 基于区域的分割
2.2.2 基于像素聚类的分割
2.2.3 基于分水岭变换的分割
2.3 基于时间域的分割
2.3.1 光流场法
2.3.2 帧差法
2.3.3 矢量场估计法
2.4 基于时空融合的对象分割
2.4.1 基于时空聚类的分割方法
2.4.2 基于光流的运动对象分割方法
2.4.3 基于对象跟踪的分割方法
2.5 视频对象分割的性能评价
2.5.1 空间准确度评价
2.5.2 时间一致性评价
参考文献
第3章 以分割准确度为目标的像素域视频对象分割方法
3.1 基于背景记录和重建的vo自动分割
3.1.1 基于背景记录和变化检测的v0分割
3.1.2 基于背景重建的v0提取
3.2 时空融合vo分割的典型方法
3.2.1 融入时域信息的分水岭v0分割的方案组成
3.2.2 时间分割
3.2.3 空间分割
3.2.4 时／空融合分割
3.2.5 实验结果
3.3 存在多个视频对象时的分割方法
3.3.1 基于贝叶斯估计的多视频对象分割
3.3.2 时空曲线演化的多个v0的分割
3.4用户辅助的交互式视频对象分割
3.4.1 智能剪及其改进方法的视频对象分割与跟踪
3.4.2 基于种子区域合并的交互式视频对象分割
参考文献
第4章 以实时应用为目标的像素域视频对象分割方法
4.1 细胞神经网络基础
4.1.1 细胞神经网络模型及其特点和结构
4.1.2 细胞神经网络的开发工具
4.1.3 cnn模板的设计方法简介
4.1.4 cnn在图像和视频处理方面的研究现状
4.2 适合头肩序列的基于cnn模板的vo分割
4.2.1 头肩序列的特点
4.2.2 视频对象分割算法
4.2.3 分割算法的cnn实现及实验结果
4.3 人脸提取算法cnn实现
4.3.1 算法概述
4.3.2 模板结构
4.3.3 实验结果
4.4 基于光流和改进分水岭分割算法的cnn实现
4.4.1 以cnn实现算法的方案
4.4.2 cnn模板设计
4.4.3 实验结果
参考文献
第5章 压缩域视频对象分割
5.1 基于压缩域视频对象分割的基本思路
5.2 基于h.264压缩域的视频对象分割方法
5.2.1 运动矢量场归一化和累积
5.2.2 全局运动补偿
5.2.3 累积运动矢量场分割
5.2.4 基于匹配矩阵的时空分割
5.2.5 实验结果
5.3 基于mpeg压缩域的视频对象分割方法
5.3.1 提取dc+2ac图的轮廓特征
5.3.2 基于运动场的分割
5.3.3 时空信息的融合
5.3.4 对象边缘的精细化
5.3.5 实验结果
5.4 mpeg压缩域视觉关注度对象分割
5.4.1 场景纹理分析
5.4.2 i帧运动矢量场处理
5.4.3 基于dct系数和运动矢量的统计区域生长
5.4.4 关注度对象提取
5.4.5 实验结果
参考文献
第6章 视频对象分割技术的应用
6.1 基于视频对象的查询与检索系统
6.1.1 视频场景的分割
6.1.2 聚类与关键帧的提取
6.1.3 视频检索数据库的建立
6.1.4 基于音频的浏览系统
6.2 视频对象分割在智能监控系统中的应用
6.2.1 智能监控系统的组成
6.2.2 运动对象检测
6.2.3 基于场景内容的查询
6.3 可视化通信中的人脸对象分割技术
6.3.1 基于二叉划分树的人脸分割方法
6.3.2 人脸分割算法步骤
6.4 视频对象分割在影视资料修复中的应用
6.4.1 斑点损伤的修复算法
6.4.2 基于时空结合的斑点损伤修复模型
6.4.3 斑点修复的实验结果
6.5 压缩视频中运动交通车辆的检测
6.5.1 视频对象平面检测和检索算法
6.5.2 车辆检测系统的实验结果
参考文献