中国科学院上海技术物理研究所， 上海 200083
提出基于关键帧技术的单次学习的动作识别方法。首先把样本动作建模为若干关键姿势的集合，然后利用关键帧把测试视频分割为单个动作，最后结合关键姿势相似度的时间加权计算动作匹配概率，进行动作识别。该动作识别方法只通过单次学习，提高了效率。使用标准深度数据库进行实验，实验结果显示了该方法的有效性，尤其在区分差别比较细微的动作方面。
关键姿势 动作识别 单次学习 深度图像 视频分割 key frame action recognition one shot learning depth image video segmentation
针对背景静止的立体视频提出了一种快速的基于背景重构的视频分割算法。先利用帧差法分别确定出左右视频的前景运动区域，再重构出该区域的背景图像，最后，通过视频图像和背景图像的对比来准确地提取运动前景。然后，先匹配左右图像序列的背景图像，并保存它们的匹配结果，再分别对各立体图像对的运动前景进行匹配。采用该方法将立体视频分割可以减少图像数据的传输量和储存空间; 同时，视频分割之后再做匹配运算，减少了立体匹配的时间。
视频分割 背景重构 视差图像 立体匹配 video segmentation background reconstruction parallax image stereo matching
华中科技大学图像所,多谱信息处理技术国防重点实验室,武汉 430074
针对固定场景监控中复杂背景、光照变化、阴影等影响视频分割的问题,提出了一种有效的混合高斯模型的自适应背景更新算法,各像素点根据其像素值出现的混乱程度采取不同个数的高斯分布描述,通过对背景模型的学习与更新、高斯分布生成准则等方面的改进和优化,采用基于形态学重构的阴影消除方法使得前景目标分割的性能得到了有效地提高。文中同时给出了光照突变检测及其背景更新方法。通过对各种实际场景的实验仿真表明,该算法能够快速准确地建立背景模型,准确分割前景目标,与其它算法比较具有更强的鲁棒性。
视频分割 背景建模 混合高斯模型 阴影消除 video segmentation background modeling mixture Gaussians model shadow removal
