视频监控中运动目标检测与清晰化方法的研究

论文摘要

随着汽车数量的日益增加,交通密度的大幅提高,交通紧张、拥挤问题越来越成为城市发展面临的难题。智能交通系统由于其在缓解交通拥挤,提高交通效率方面作用显著,越来越受到人们的重视,而交通监控中视频图像的检测与清晰化处理则是智能交通系统中的一个重要组成部分。论文以基于视频的交通运动目标为研究背景,对交通运动目标的检测和提取,以及运动目标的清晰化方法展开研究。其主要工作如下:（1）分析和比较了当前几种经典的运动目标检测算法的优缺点,并在此基础上,提出了一种改进的帧间差光流法的运动目标检测算法。该算法针对光流法对速度比较敏感的特点,将Lucas-Kanade算法与高斯金字塔分层方法结合起来,具有较好的稳定性和抗噪能力。该方法能有效的从城市交通道路视频中提取出运动目标。（2）在运动目标清晰化处理方面,分析了在交通监控系统中造成视频图像不清晰的原因,在此基础上,应用约束最小二乘法来去除运动模糊,并将卡尔曼滤波应用到清晰化处理中,用来消除噪声模糊。针对智能交通中复杂的运动场景,提出了一种基于运动目标检测的视频图像清晰化算法,利用帧间光流场检测得到的运动目标来指导视频图像清晰化处理,即只对感兴趣区域进行处理,这样可以减少计算量,提高实时性。（3）在以上工作的基础上,用MATLAB和OpenCV对论文中的算法进行了实现,并设计和开发了一个交通监控中视频图像清晰化处理原型系统,对采集到的若干组交通视频文件进行实验,实验结果表明,论文中所提出的清晰化方法能够准确、有效地对交通场景中运动目标进行处理,且具有一定的鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题的研究背景与意义
• 1.2 国内外研究现状及发展趋势
• 1.2.1 运动目标检测算法
• 1.2.2 视频图像清晰化算法
• 1.3 本文主要研究工作及内容安排
• 1.3.1 本文主要工作
• 1.3.2 本文内容安排
• 第2章 图像清晰化的理论基础
• 2.1 图像的噪声
• 2.1.1 噪声的特征
• 2.1.2 噪声的分类
• 2.2 图像的增强
• 2.2.1 直方图均衡化
• 2.2.2 灰度变换
• 2.3 常见的图像质量退化函数
• 2.3.1 线性运动退化函数
• 2.3.2 散焦退化函数
• 2.3.3 Gauss退化函数
• 2.4 图像质量评价
• 2.4.1 图像质量的主观评价
• 2.4.2 图像质量的客观评价
• 2.5 小结
• 第3章 运动目标检测方法
• 3.1 引言
• 3.2 常见运动目标检测方法
• 3.2.1 帧间差分法
• 3.2.2 背景差分法
• 3.2.3 光流法
• 3.2.4 实验结果
• 3.3 一种改进的运动目标检测方法
• 3.3.1 帧差图像的获取
• 3.3.2 光流值的计算
• 3.3.3 光流阈值的自适应提取
• 3.3.4 目标区域的划分
• 3.3.5 实验结果
• 3.4 各种算法的比较分析
• 3.5 运动目标的提取
• 3.5.1 归一二值化
• 3.5.2 后处理
• 3.5.2.1 中值滤波
• 3.5.2.2 形态滤波
• 3.5.3 连通区域标记
• 3.5.4 目标的提取
• 3.5.5 实验结果
• 3.6 小结
• 第4章 视频图像清晰化方法
• 4.1 引言
• 4.2 视频图像清晰化方法
• 4.2.1 去运动模糊清晰化
• 4.2.1.1 维纳滤波原理
• 4.2.1.2 约束最小二乘算法原理
• 4.2.1.3 实验结果
• 4.2.2 基于Kalman滤波的去噪声模糊清晰化
• 4.2.2.1 Kalman滤波原理
• 4.2.2.2 实验结果
• 4.2.3 基于检测的特定区域滤波增强
• 4.2.3.1 特定区域滤波原理
• 4.2.3.2 实验结果
• 4.3 小结
• 第5章 原型系统的设计与实现
• 5.1 引言
• 5.2 系统实现硬件设备与软件开发平台
• 5.2.1 硬件设备
• 5.2.2 软件开发平台
• 5.3 系统体系结构
• 5.3.1 系统的总体流程
• 5.3.2 算法的系统界面
• 5.3.3 核心类的设计与实现
• 5.4 实验结果分析
• 5.5 小结
• 第6章 总结与展望
• 6.1 论文及研究工作总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读学位期间公开发表的学术论文