- 线性锚定高斯混合模型用于粗线形状物体的位置和宽度计算
通过考虑图像灰度的三维表示作为统计分布的有限混合模型,本文旨在检测图像中的线性结构。采用背景减法和基于 Hessian 的参数初始化方案的期望最大化算法,提供了对线性结构的准确性检测,尽管图像背景不规则且存在模糊和噪声。
- 基于多尺度模板匹配、背景减除和二值图像分析的手势识别
采用多尺度模板匹配的手部形状分类方法,结合背景减法提取手部对象的二值图像,从而获取关键特征,如质心和边界框,该简单方法在基本手部形状分类任务中表现出有效性,为简单的人机交互场景中的潜在应用奠定了基础。实验结果突出了该系统在受控环境中的能力。
- 一种基于点云地图的用于非结构化道路的地面分割方法
基于点云地图的地面分割方法,通过兴趣区域提取、点云注册和背景减除等步骤,实现了对开采矿场等复杂场景中地面的精确分割,实验结果表明,准确率达到 99.95%。
- CVPRZBS: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。
- 人头肩部基于流的视频分割
本文提出了一种基于流的编码器解码器网络(FUNet)来处理高质量的背景减除和克服图像中的运动模糊问题,以解决视频分割在视频会议和虚拟现实应用中的问题,并且介绍了一个名为 ConferenceVideoSegmentationDataset - BSUV-Net 2.0:面向视频独立监督背景减除的时空数据增强
该研究提出一种基于深度学习和时空数据增强的背景减除算法,该算法在跨视频数据集上达到了较高的性能表现。
- 基于照明的数据增强方法用于强健背景减除
通过数据增强方法和欧几里得距离变换技术,本研究成功地模拟了视频中的强光、阴影效果,并训练出一个抗光照变化的深度学习模型,实现了背景减除的提高。
- BSUV-Net:一种全卷积神经网络,用于消除未见视频的背景
本文介绍了基于卷积神经网络 (BSUV-Net) 的一种新的有监督的背景减除算法,该算法的输入包括当前帧和两个不同时间尺度上的背景帧及其语义分割图;同时,为了减少过拟合的可能性,还引入了一种新的数据增强技术,应用在 CDNet-2014 数 - MM非凸无监督视频分割的全局最优性保证
通过稀疏矩阵和低秩矩阵的和来解决非语义无监督视频目标分割问题,并提出了一种比常见凸松弛更易于计算的非负鲁棒主成分分析方法,在局部搜索方法下可以保证物体分割的唯一性和全局最优性。
- 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。
- 实时语义分割的背景减除
本文提出了一种基于实时语义分割的新型背景减除定义,其由传统的背景分割器和实时语义分割器组成,并在 CDnet 数据集上评估,达到了同类无监督背景减除方法的最优表现,甚至优于某些基于深度学习的有监督算法,并且具有潜在的泛化能力。
- 深度神经网络背景减除概念:一项系统性综述和比较评估
本文综述了深度学习方法在视频背景减除中的应用,特别是使用深度神经网络作为前景检测和特征学习的方法,分析了这些方法相对于传统的基于多个特征或多个指标策略的非监督学习方法的性能优势,最后通过在 CDnet 2014 数据集上的实验结果证实了这些 - ECCV使用先验 3D 地图的自动驾驶实时动态物体检测
本研究讨论了一种实时的用于自动驾驶场景的动态物体检测算法,该算法利用了先前建立的 Lidar 点云的静态背景模型,并将动态物体检测视为背景减法问题。研究者提出了拒绝级联结构用于对道路区域和其他 3D 区域分别进行减法操作,该算法基于 CAR - WisenetMD: 使用动态背景区域分析的运动检测
该论文提出了一种动态背景区域搜索方法,通过分析视频并重新检查误报,去除风声、摇晃的树木和流动的河流等动态背景的误报,方法在 CDnet 2012/2014 数据集上进行了评估,并与其他算法进行了处理速度的比较。
- 利用三元卷积神经网络进行前景分割与多尺度特征编码
提出一种基于编码器 - 解码器神经网络的动态目标分割方法,通过使用预训练的卷积网络对图像进行特征嵌入,利用反卷积网络进行特征与图像的转换,该方法在 Change Detection 2014 挑战赛中表现优于现有所有最先进的方法,达到了 0 - ICCV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。
- 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 - 图像去噪和背景减除的加权 Schatten p - 范数最小化
本研究提出了一种更灵活的模型,称为加权 Schatten p - 范数最小化,用于恢复低秩矩阵。该模型不仅提供了更好的低秩矩阵逼近,并且考虑了不同秩分量的重要性。使用加权 Schatten p - 范数最小化在低级视觉问题(如图像去噪和背景 - CVPR基于自适应像素核方差的混合特征空间背景建模
本文提出了一种可以动态选择核方差的自适应核估计方法,将其与复杂特征相结合,可在标准背景分割基准测试中显著提高结果。
- 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。