研究目的
提出并比较基于受自然启发的多目标优化算法的多阈值图像分割方法,用于视频序列中人体轮廓检测。
研究成果
对于测试图像,多目标黑洞算法(MOBHA)相比MOPSO和MOGSA提供了更好的分割效果,生成了更多的帕累托解,并在相似均方根误差值下实现了更低的区域数量。然而,当灰度级接近时,基于阈值的分割会失效,表明在这种情况下需要采用替代方法。
研究不足
算法从随机初始位置开始,导致不同运行间的结果存在差异。当背景与前景灰度级相近时,分割效果可能不佳,需要额外的几何标准。本研究仅限于KTH数据集中的特定测试图像,可能无法推广到所有场景。
1:实验设计与方法选择:
本研究采用粒子群优化算法(PSO)、黑洞算法(BHA)和引力搜索算法(GSA)进行多目标优化。优化标准为均方根误差(RMSE)和分割区域数量,二者均需最小化。这些算法在视频序列的灰度图像上实现并测试。
2:样本选择与数据来源:
测试图像提取自KTH人类活动视频数据集,包含120×160像素、256级灰度的帧。图像场景包括均匀背景和不同的人体轮廓。
3:实验设备与材料清单:
配备C++实现及OpenCV库的计算机系统,用于图像处理操作。
4:实验流程与操作步骤:
算法以特定参数运行(如个体数=25,迭代次数=200)。每种算法通过随机初始化多次运行,计算并评估基于RMSE和区域数量的帕累托前沿解集。
5:数据分析方法:
通过可视化及帕累托前沿分析比较解集,统计帕累托解数量及其在RMSE和区域数量上的分布,制成表格和图表对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容