图像视频中目标对象的提取技术研究.ppt

计105 胡思维 蒋纯志 王翔 计102 周李奇翰 指导老师 陈志华 图像视频中目标对象的提取技术研究 目录 1 项目背景和意义 2 研究内容3 课题重点与难点 4 研究方法与思路 5 创新点 6 团队介绍与研究基础 7 项目进度和安排 8 实施条件和资源 9 预期成果 10 结合专业学习的计划 1 项目背景和意义 目标对象的提取 1 项目背景和意义 1 项目背景和意义 目标对象合成到新的视频中 3 课题重点与难点 重点： 图像静态特征抽取 视频动态特征抽取 运动目标检测和跟踪 技术难点： 在被遮挡情况下的目标对象跟踪和提取 复杂背景下运动目标的检测，跟踪与提取 抽取图像的颜色、纹理等静态特征 抽取动态特征，计算动态显著性 实现基于动态显著性的视频目标的定位与分割 实现图像的显著性目标的检测与分割 将图像视频目标提取方法应用到图片视频的合成、影视特效制作 4.1 研究思路 4.2 研究方法 将运动特征引入到动态显著性分析中，针对显著性提取RC算法进行改进。 使用CAMSHIFT算法为基础跟踪目标，采用运动预测和目标识别来解决遮挡问题。 4.2 研究方法 使用显著性提取目标，使用BP神经网络完整目标，结合语义完成分割 利用识别将丢失（如遮挡、背景干扰等）后的目标重新找回。 5 创新点 将颜色，纹理，朝向等信息引入到图像的显著性分析之中 在RC方法中只考虑了LAB空间中的颜色信息，没有加入纹理信息，因此准备加入纹理的程度和朝向信息以便更加精确的提取显著性目标 5 创新点 将运动等信息引入到视频的显著性分析之中 视频和图象的根本区别在于运动信息，研究表明，人类更倾向于关注运动目标，因此，获取准确的运动信息对于视频的显著性提取尤为重要，准备引入准确的运动信息来矫正静态图象显著性的错误。 5 创新点 结合自底向上和自顶向下的分析方法 传统的显著性提取方法通常只利用图象的底层特征，得到的结果往往与人的预期有差别，因为人类会根据自己的理解对底层特征提取的结果做加工，因此，结合自顶而下的方法对目标的边缘等高层特征进行学习分类，使算法能像人一样进行思考。 6.1 团队介绍 C++，Matlab，C#，java 团队开发经验 ACM经历 良好的英文功底 6.2 团队研究基础 已实现RC显著性算法，初步提取目标。 6.2 团队研究基础 初步实现视频的动态目标跟踪 在遮挡情况下利用运动预测跟踪被遮挡后丢失的目标。 6.2 团队研究基础 7 项目进度和安排 立项后第1月——第6月 完善详细的设计方案 和研究路线 实现图像的提取和分割 立项后第7月——第12月 实现视频目标的提取和分割 立项后第13月——第18月 改进算法，优化成果 撰写论文并投稿 撰写结题报告，完成答辩 8 项目进展 实现图片目标的提取与分割 处理前 处理后 这是一个从一段视频中提取目标对象的例子：雪地里奔跑的猫，被提取出来 * 提取的目标对象可以合成到新的图片或视频中；同时也可以应用到视频检索、影视特效制作等很多领域 *