视频监控系统中运动目标检测算法的研究

视频监控系统中运动目标检测算法的研究

论文摘要

视频监控是计算机视觉、模式识别以及人工智能等领域的一个重要的研究内容,在安全监控、智能交通、军事导航等方面有着广泛的应用前景。运动目标检测技术是视频监控系统中一个重要组成部分,其检测结果直接影响着后续的目标定位、识别和跟踪以及运动行为的理解和描述。国内外大批学者投身于该领域的研究和探索,并取得了大量的成果。本文是在这些成果的基础上,对视频监控系统中运动目标检测算法进行了研究。本文首先对数字图像处理的基础知识进行了介绍,并根据实际情况,针对噪声滤波、颜色空间的选择与变换、图像边缘检测和数学形态学处理等常用方法进行了对比验证,为运动目标检测与阴影抑制算法的研究奠定了基础。在运动目标检测方面,针对背景差分法,对常用的背景建模方法进行了分析研究,并提出了一种基于关键帧采样机制的核密度估计背景建模算法。利用间隔视频序列的平均背景对样本进行预处理,并根据相似性原理,从中提取具有关键背景信息的样本建立背景模型。采用阈值分割,将灰度图像转化成黑白二值图像,再对目标粗糙的边缘轮廓进行数学形态学滤波以去除背景噪声,提取出目标轮廓。同时引入定时全样本更新和实时选择性更新相结合的更新策略,实现了背景的自适应更新。该算法具有运行速度快,检测精度高的优点,较好地解决了运动目标检测系统中背景模型的建立、更新、背景扰动、外界光照变化等问题。在运动阴影抑制方面,阴影抑制算法直接影响着运动目标检测的准确性和完整性,目前的阴影检测算法大多是基于阴影光学属性的,虽然该算法实现简单,但是主要是针对阴影的某一特性展开的,不具通用性。本文在对阴影检测算法分析的基础上,将基于几何模型和阴影属性的方法结合起来,提出了一种基于8方向Sobel算子和高斯核密度聚类的阴影消除方法。首先对运动区域进行阴影存在性判定,对带有阴影的图像利用8方向Sobel算子提取边缘,并通过数学形态学处理获得粗略的阴影区域。然后在此基础上,利用阴影区域相对于背景的亮度增益波动很小的特点,运用高斯核密度聚类算法检测出阴影,从而实现运动目标与阴影的完整分割。在实际应用方面,针对ITS设计了一种运动车辆检测系统。介绍了系统的设计思想和设备组成,并根据实际情况进行了模块化设计,包括模块的工作原理和系统设计流程。总之,本文通过对运动目标检测问题进行了深入分析和研究,对该问题提出了自己的解决方法。并且对这些方法作了实验,实验结果表明,本文提出的运动目标检测算法能够快速完整的检测出运动区域,同时在很大程度上了抑制噪声和背景区域的变化;而基于8方向Sobel算子和高斯核密度聚类的阴影检测方法,能有效的抑制运动目标的阴影。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 课题背景及研究意义
  • 1.2 课题研究现状与发展趋势
  • 1.3 本文主要内容与结构安排
  • 第二章 数字图像处理预备知识
  • 2.1 图像去噪
  • 2.1.1 均值滤波
  • 2.1.2 中值滤波
  • 2.2 数学形态学
  • 2.2.1 腐蚀
  • 2.2.2 膨胀
  • 2.2.3 开运算与闭运算
  • 2.3 颜色模型
  • 2.3.1 RGB 颜色模型
  • 2.3.2 HSV 颜色模型
  • 2.3.3 HSV 和RGB 模型之间的转换
  • 2.4 边缘检测梯度算子
  • 2.4.1 Roberts 算子
  • 2.4.2 Sobel 算子
  • 2.5 本章小结
  • 第三章 基于背景模型的运动目标检测技术研究
  • 3.1 引言
  • 3.2 相关工作
  • 3.2.1 单高斯模型
  • 3.2.2 混合高斯模型
  • 3.2.3 非参数模型
  • 3.2.4 仿真结果比较与分析
  • 3.3 基于关键帧采样的核密度估计背景模型
  • 3.3.1 现有算法存在的问题及本文算法的提出
  • 3.3.2 关键帧背景采样
  • 3.3.3 核函数与窗宽的选取
  • 3.3.4 运动检测与分割
  • 3.3.5 背景更新策略
  • 3.3.6 仿真实验结果
  • 3.4 本章小结
  • 第四章 运动目标阴影检测与消除
  • 4.1 引言
  • 4.2 阴影的基本属性
  • 4.2.1 阴影的形成条件
  • 4.2.2 阴影的属性
  • 4.3 阴影检测的常用算法
  • 4.3.1 基于几何模型特征的方法
  • 4.3.2 基于阴影属性的方法
  • 4.4 基于8 方向SOBEL 算子与高斯核密度聚类的阴影检测算法
  • 4.4.1 8 方向Sobel 算子
  • 4.4.2 本文阴影检测算法流程图
  • 4.4.3 阴影存在性判断
  • 4.4.4 8 方向Sobel 算子的边缘检测及阴影粗略区域的获取
  • 4.4.5 高斯核密度聚类
  • 4.4.6 仿真实验结果
  • 4.5 本章小结
  • 第五章 智能交通监控中的运动车辆检测系统设计
  • 5.1 智能交通系统概述
  • 5.2 运动车辆检测系统的设计方案
  • 5.2.1 设计思想
  • 5.2.2 设备组成
  • 5.2.3 系统功能模块
  • 5.2.4 系统设计流程图
  • 5.3 本章小结
  • 第六章 结论与展望
  • 6.1 本文主要工作与创新点
  • 6.2 下一步工作展望
  • 致谢
  • 参考文献
  • 附录:作者在攻读硕士学位期间发表的论文
  • 相关论文文献

    • [1].基于改进的特征提取网络的目标检测算法[J]. 激光与光电子学进展 2019(23)
    • [2].电力监控系统中运动目标检测算法研究[J]. 数字技术与应用 2019(12)
    • [3].基于变周期梯形毫米波二维配对多目标检测算法[J]. 微波学报 2020(02)
    • [4].基于卷积神经网络的目标检测算法综述[J]. 苏州科技大学学报(自然科学版) 2020(02)
    • [5].基于四旋翼无人机平台的实时多目标检测算法[J]. 计算机仿真 2020(04)
    • [6].基于深度学习的目标检测算法研究综述[J]. 计算机与现代化 2020(05)
    • [7].基于遮挡标记的目标检测算法[J]. 中南民族大学学报(自然科学版) 2020(03)
    • [8].基于深度学习的单阶段目标检测算法研究综述[J]. 航空兵器 2020(03)
    • [9].基于有效感受野的目标检测算法[J]. 山西大同大学学报(自然科学版) 2020(04)
    • [10].深度卷积神经网络的目标检测算法综述[J]. 计算机工程与应用 2020(17)
    • [11].基于关键点的目标检测算法综述[J]. 信息技术与标准化 2020(06)
    • [12].基于回归与深度强化学习的目标检测算法[J]. 软件导刊 2018(12)
    • [13].特征显著性的车辆目标检测算法[J]. 河南科技大学学报(自然科学版) 2017(01)
    • [14].一种基于数据聚类的目标检测算法[J]. 机电产品开发与创新 2016(06)
    • [15].深度学习目标检测算法在货运列车车钩识别中的应用[J]. 铁道科学与工程学报 2020(10)
    • [16].多分支卷积块的目标检测算法[J]. 赤峰学院学报(自然科学版) 2020(10)
    • [17].一种基于深度学习的遥感图像目标检测算法[J]. 计算机工程与科学 2019(12)
    • [18].重点区域注意力学习的空对地目标检测算法[J]. 激光与光电子学进展 2020(04)
    • [19].基于深度卷积神经网络的小目标检测算法[J]. 计算机工程与科学 2020(04)
    • [20].基于注意力机制和特征融合改进的小目标检测算法[J]. 计算机应用与软件 2020(05)
    • [21].基于深度学习的图像目标检测算法研究[J]. 国外电子测量技术 2020(08)
    • [22].基于深度卷积神经网络的目标检测算法进展[J]. 南京邮电大学学报(自然科学版) 2019(05)
    • [23].基于背景遗传模型的运动目标检测算法[J]. 自动化技术与应用 2017(03)
    • [24].一种改进的毫米波雷达多目标检测算法[J]. 通信技术 2015(07)
    • [25].达芬奇平台下的运动目标检测算法的应用研究[J]. 计算机技术与发展 2013(11)
    • [26].高光谱图像目标检测算法分析[J]. 测绘科学 2012(01)
    • [27].基于深度学习的目标检测算法研究与应用[J]. 计算机产品与流通 2020(01)
    • [28].基于特征增强及密集场景优化的遥感目标检测算法[J]. 传感器与微系统 2020(01)
    • [29].室内穿墙场景下的无源人体目标检测算法[J]. 电子与信息学报 2020(03)
    • [30].虚拟现实技术舰船高速航行图像目标检测算法[J]. 舰船科学技术 2020(04)

    标签:;  ;  ;  ;  ;  

    视频监控系统中运动目标检测算法的研究
    下载Doc文档

    猜你喜欢