1、Graph-Cut based Object Segmentation

1，靜態圖片的目標提取，要用最好的算法或者要有一點改進

這個部分，我們使用的算法的參考文獻和對應的程序見如下的文件夾：

    這個通過對靜態圖片的目標提取仿真后，應用到視頻的目標提取，因為在實際中，視頻是由多個幀圖像構造的，本質上也是圖像。

    這里使用的算法，本質上就是對當前幀的圖像進行分割提取處理。

    這里，圖像目標分割，我們主要采用的是一種基于改進的物體輪廓提取算法。

這里，我們使用的算法是一種改進的基于活動輪廓的目標提取算法。這里，我們主要使用一種基于概率密度函數來計算目標區域和背景區域不同來進行分割的。

通過目標提取，可以有效的獲得圖片中的目標，但是從提取的結果可知，其邊緣有一些毛刺干擾，因此，我們在進行做跟蹤的時候，需要進行實時的光滑處理。

    下面看第二部分的仿真。

優缺點說明：

優點：能夠對比較細小的部分分割出輪廓，基本能夠涵蓋整個目標；

缺點：提取的部分有一定的毛刺，目標背景不能太復雜。

--------------------------------------------------------------------------------------------------------

2、Tracking-based Video Cut-out

2，使用目標跟蹤來提取視頻中的目標，不必用光流法，用最好或最新的算法或者有改進

    這里，我們所需要的跟蹤算法和一般的跟蹤算法不同，因為一般的很多文獻的跟蹤算法都是產生一個大致的區域（多為矩形方框區域）來進行跟蹤的，由于本課題需要最后替換背景，因此，必須完整的得到整個目標的輪廓進行跟蹤。這里，首先對一個已經錄制好的視頻進行仿真處理，得到的結果如下所示：

算法會對該運動目標進行實時的輪廓跟蹤，為背景的替換奠定了基礎。

仿真效果如上所示。更換好背景的跟蹤效果。

優點：可以實現背景替換和目標的跟蹤；

缺點：由于進行輪廓的跟蹤，比較復雜，算法仿真較慢，如果要做實時的情況，需要進一步簡化算法，簡化場景。另外就是對于背景太復雜的情況，就沒法跟蹤（多數跟蹤算法都有這個問題，但影響不大，只是在輪廓跟蹤的時候影響就比較大）

3、光滑處理Video Matting

3，對目標進行光滑處理的時候，能夠通過調整閥值，來區分毛發和背景

    主要在上面兩個步驟的基礎上，進一步優化分割效果，從而使得分割后的結果根據完美。因為在實際輪廓提取的時候，會出現目標邊緣曲線不光滑，而且對于一些比較“狹長”的目標，提取的輪廓往往會出現覆蓋的問題，針對這些問題，我們將初始提取的輪廓進行進一步的光滑處理。

    從上面的仿真結果可知，如果沒有加入光滑處理，其輪廓曲線比較粗糙，不是很光滑，而且部分邊界存在殘缺，沒有完全“圍住”目標的輪廓，此外，目標中間的有部分區域被誤認為是背景區域而被錯誤的去除，所以，我們需要增加光滑處理算法使得得到的輪廓更加平滑。

    這里，我們采取的算法策略為根據文獻中講到的算法，進行邊緣的光滑處理。通過仿真，得到的提取效果

關于最后實時跟蹤這個部分，由于你強調了實時的跟蹤，

聯系：highspeedlogic

QQ ：1224848052

微信：HuangL1121

郵箱：1224848052@qq.com

網站：http://www.mat7lab.com/

網站：http://www.hslogic.com/

微信掃一掃：

--------------------------------------------------------------------------------------

人工智能代做，深度學習代做，深度強化學習代做，zynq智能系統FPGA開發，

AI代做，卷積神經網絡，Alexnet，GoogleNet，CNN，TensorFlow，

caffe，pointnet，PPO，Qlearning，FasterRCNN，MTCNN，

SPPNet，word2vec，SARASA算法，梯度策略等等