Feb, 2013

视频序列中的图像分割：概率方法

PDF
TL;DR本文通过使用混合高斯模型和无监督的 EM 算法，提出了一种基于像素分类的背景减法方法，并应用于交通监控中，取得了较好的车辆识别和跟踪效果。
background subtractionmoving objectspixel classificationmixture-of-gaussians modeltraffic surveillance
发现论文，激发创造
  • 基于多层框架的自由移动相机在线背景减除

    针对移动拍摄视频中背景难以识别的问题，本文提出了一种基于多层结构的在线背景减除算法框架，将多前景物体建模并赋予拥有独立处理层，同时采用贝叶斯滤波框架推断概率图，并用马尔科夫随机场上的多标签图割算法进行像素级分割，取得了优于现有技术的结果。

    Sep, 2017

  • 实际应用中的背景减除：挑战、现有模型和未来方向

    本文详细调研了现实应用中使用的背景减除的真实挑战，现有的背景模型并提供了未来的研究方向。

    Jan, 2019

  • 通过追求动态时空模型进行复杂背景减除

    提出了一种在较为复杂的情况下学习和维护一组动态纹理模型的背景减除方法，在多个复杂场景的实验中，表现优于其他前沿的背景减除算法。

    Feb, 2015

  • 一种具有超像素运动检测的鲁棒背景初始化算法

    本文提出了一种基于超像素运动检测的鲁棒背景初始化方法，旨在通过利用空间和时间特征来消除前景对象并生成可靠的背景候选项以实现图像分割。实验表明，该方法在速度方面具有优势，并可在复杂的动态场景下生成最佳结果，从而证明了它对各种挑战的鲁棒性。

    May, 2018

  • 智能监控系统中 ADNN 的背景减除应用

    该研究提出了一种采用算术分布神经网络（ADNN）结构的智能视频监控系统，用于运动检测，对只包含运动部分的视频进行裁剪，并对裁剪后的视频进行异常检测。

    Dec, 2022

  • 一种用于背景消除的深度卷积神经网络

    本文提出了使用深度卷积神经网络的新型背景减除系统，通过从数据中训练单个 CNN 来处理各种视频场景的学习，从而避免了特征工程和参数调整，同时提出了一种新的从视频中估计背景模型的方法。经过不同数据集的评估，我们的方法相对于其他算法在不同的评估指标上具有更好的性能，并且由于网络架构，我们的 CNN 能够实时处理。

    Feb, 2017

  • 高斯拒绝级联算法：实时自适应背景减除框架

    通过将高斯混合模型（GMM）分解为自适应的高斯卡斯凯德（CoG），提出了一种改进前景背景分类的算法，实现了 4-5 倍的加速和 17％平均精度提高，同时在卷积变分自动编码器（VAE）的图像表示中展示了 CoG 的优势。

    May, 2017

  • 有效选择高概率正特征实现视频中的无监督物体分割

    本文提出了一种有效的无监督方法，基于高可能的正面特征的自动选择和学习，生成前景对象软分割遮罩

    Apr, 2017

  • 用于监控场景中混杂图像序列的低复杂度静态背景估计算法

    针对实际情况中真实背景模型不可用的问题，该篇论文提出了一种低计算和内存需求的用于静态背景估计的顺序技术，并将图像序列进行分块分析，实验结果显示与之前的中值过滤和 “稳定强度区间” 方法相比有较优的背景估计效果，结合前景分割算法可以使前景分割效果更好。

    Mar, 2013

  • ZBS：基于实例级背景建模和前景选择的零样本背景减除

    本文提出了一种基于零样本目标检测的无监督背景减除算法（Zero-shot Background Subtraction，ZBS），用于从视频帧中提取移动物体。研究发现，ZBS 在阴影或夜光等复杂情境中表现出色，并且具有丰富的可扩展类别。

    Mar, 2023