监控视频运动分割是视频浓缩、行为识别等视频智能处理的基础和前提,是计算机视觉领域的研究热点。现存运动分割方法大多步骤繁琐、计算量大,难以应用于计算能力有限的领域。为此,提出了一种联合二分思想和时空管道的监控视频运动分割...监控视频运动分割是视频浓缩、行为识别等视频智能处理的基础和前提,是计算机视觉领域的研究热点。现存运动分割方法大多步骤繁琐、计算量大,难以应用于计算能力有限的领域。为此,提出了一种联合二分思想和时空管道的监控视频运动分割方法。该方法首先使用嵌套椭圆时空管道模型计算初始累计时空流量来判断目标轨迹完整性(completeness of target trajectory, CTT);然后结合二分思想动态地调节椭圆采样线,自适应地捕捉采样区域的运动目标;最后提取采样线上的全部像素点形成自适应时空管道进行运动分割。实验结果表明,所提方法在保证精度的同时计算速度明显优于对比方法,且所提方法鲁棒性强,对运动情况多变的监控场景同样适用。展开更多
视频浓缩是高效表达监控视频的重要方式,提取目标管是视频浓缩的基本步骤。现有的视频浓缩大多基于目标检测和跟踪生成目标管,应用于包含拥挤场景的监控视频时,性能表现不佳。文章提出一种稀疏-拥挤视频的浓缩框架(sparse-crowed video ...视频浓缩是高效表达监控视频的重要方式,提取目标管是视频浓缩的基本步骤。现有的视频浓缩大多基于目标检测和跟踪生成目标管,应用于包含拥挤场景的监控视频时,性能表现不佳。文章提出一种稀疏-拥挤视频的浓缩框架(sparse-crowed video synopsis,SCVS),将输入视频分为稀疏和拥挤片段分别处理。首先提出一种基于多层时空切片联合的稀疏和拥挤片段划分方法,以二分思想为基础联合多层时空切片分割稀疏和拥挤片段;其次对分割后的稀疏片段提取目标管,进行管优化重排得到稀疏场景的浓缩视频;最后融合稀疏浓缩视频和拥挤片段生成浓缩视频。实验结果表明,SCVS框架有效避免了现有方法在拥挤场景下性能不佳的问题,具有较高的压缩比和目标留存比以及良好的视觉体验。展开更多
文摘为解决现有视频浓缩在复杂场景下存在的轨迹不完整、交互行为难以保留等问题,提出一种片段-自适应的监控视频浓缩方法.首先,提出一种视频划分模块,对输入视频逐帧进行拥挤度检测,采用自适应阈值将视频划分为稀疏和拥挤片段,并将被中断的轨迹进行链接形成延展拥挤片段;其次,设计交互行为判别模块,结合空间距离和视频自适应阈值判别并保留目标之间的交互行为;最后,提出片段-自适应重排模块,综合碰撞约束、空间占比约束、交互约束和时序约束生成最优时间标签,进而融合背景生成浓缩视频.在数据集VISOR,BEHAVE和CAVIAR上的实验结果表明,该方法比当前主流方法在帧压缩率和碰撞率上分别降低了0.136和0.011,计算时间减少了120.03 s.
文摘监控视频运动分割是视频浓缩、行为识别等视频智能处理的基础和前提,是计算机视觉领域的研究热点。现存运动分割方法大多步骤繁琐、计算量大,难以应用于计算能力有限的领域。为此,提出了一种联合二分思想和时空管道的监控视频运动分割方法。该方法首先使用嵌套椭圆时空管道模型计算初始累计时空流量来判断目标轨迹完整性(completeness of target trajectory, CTT);然后结合二分思想动态地调节椭圆采样线,自适应地捕捉采样区域的运动目标;最后提取采样线上的全部像素点形成自适应时空管道进行运动分割。实验结果表明,所提方法在保证精度的同时计算速度明显优于对比方法,且所提方法鲁棒性强,对运动情况多变的监控场景同样适用。
文摘视频浓缩是高效表达监控视频的重要方式,提取目标管是视频浓缩的基本步骤。现有的视频浓缩大多基于目标检测和跟踪生成目标管,应用于包含拥挤场景的监控视频时,性能表现不佳。文章提出一种稀疏-拥挤视频的浓缩框架(sparse-crowed video synopsis,SCVS),将输入视频分为稀疏和拥挤片段分别处理。首先提出一种基于多层时空切片联合的稀疏和拥挤片段划分方法,以二分思想为基础联合多层时空切片分割稀疏和拥挤片段;其次对分割后的稀疏片段提取目标管,进行管优化重排得到稀疏场景的浓缩视频;最后融合稀疏浓缩视频和拥挤片段生成浓缩视频。实验结果表明,SCVS框架有效避免了现有方法在拥挤场景下性能不佳的问题,具有较高的压缩比和目标留存比以及良好的视觉体验。
