运动目标检测与识别算法研究

论文摘要

运动目标的检测与识别是一项理论意义与实用价值兼备的课题,可以广泛应用于国防与国民经济建设的诸多领域,是当今图像处理与图像理解领域的一个热门方向,随着其应用领域得不断扩大,其实用价值越来越得到人们的重视。运动目标检测与识别算法研究的对象是序列图像,或者称为视频图像。对得到的图像序列进行处理,检测是否存在感兴趣的目标,并且从序列图像中提取出运动目标。目标的识别工作就是对检测出来的目标进行识别,得到目标属性以及由此识别出目标的物体种类信息。数学形态学是一种非线性图像信号处理和分析理论,在把握信号中的几何结构信息上具有相当优势,符合人类的感知系统,因此目前已经受到了越来越广泛的重视,并得到了迅速的发展。因此,本论文在系统地总结了数学形态学的基本理论及其在目标检测中的应用的基础上,重点研究了目标检测所涉及的几个关键技术之一:图像特征提取,在图像特征提取的研究中,提出了一种基于数学形态学的特征提取方法,即假高帽变换与多尺度形态学相结合的边缘提取方法,这种方法与传统的边缘检测算法相比,能够得到更丰富的边缘细节,能够得到清晰完整的目标边缘。在进行目标检测时,常见的一种情况是摄像机处于静止状态并且焦距是固定的,此时,图像中的背景区域固定不动。在这种情况下,运动目标检测经常使用的方法是背景差法,在简单的背景差法使用中,当背景发生一些变化时,如背景中频繁地出现运动物体,或者光照发生变化等等,不能准确地提取背景作为参考图像,从而不能正确地分割出视频序列中的运动物体。为了克服上述问题,必须对模型进行及时更新。本文在研究高斯模型的基础上,对高斯模型作了改进,建立了自适应高斯背景模型,并且实现了背景模型的实时更新,能够比较准确地检测出运动目标。然而,由于光照条件的影响,大多数图像都存在阴影,阴影的存在干扰了目标的检测,使检测到的目标与真实的目标形状相差很大,这对后续处理如目标识别、行为判断等会产生很大的影响。高斯模型无法消除阴影的干扰,因此找到阴影消除的方法变得非常重要。近年来,提出了很多阴影消除方法。本文在对目标阴影消除的研究中,将归一化互相关函数应用于阴影消除,大大提高了运算速度。此外,在研究现有阴影消除的算法的基础上,提出了色度差分的阴影消除方法,色度差分的阴影消除方法充分利用了颜色信息,比单纯的亮度阴影消除算法要好。本文把归一化互相关函数、亮度、色度等信息充分结合来消除目标阴影,达到了较好的检测效果,最后给出了两种识别方法。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题的背景与研究意义
• 1.2 国内外研究现状
• 1.2.1 运动目标检测方法
• 1.2.2 目标识别算法
• 1.3 本文的主要工作
• 1.4 论文思路安排
• 第二章 图像预处理
• 2.1 平滑滤波器基本原理
• 2.1.1 线性平滑滤波
• 2.1.2 非线性平滑滤波器
• 2.1.3 形态学滤波
• 2.2 常见的对比度增强算法
• 2.2.1 线形灰度变换
• 2.2.2 直方图均衡化算法
• 2.3 小结
• 第三章 基于形态学的目标特征提取
• 3.1 概述
• 3.2 形态学基本理论
• 3.2.1 形态学膨胀、腐蚀运算
• 3.2.2 形态学开闭运算
• 3.3 目标特征提取
• 3.3.1 边缘提取算法研究
• 3.3.2 几种常见的边缘提取算法
• 3.3.3 基于数学形态学的边缘提取算法回顾
• 3.4 形态学边缘提取
• 3.4.1 假高帽变换
• 3.4.2 边缘提取
• 3.5 结论与分析
• 3.6 小结
• 第四章 运动目标检测算法概述
• 4.1 主要运动目标分割方法概述
• 4.1.1 基于帧间像素的分割方法
• 4.1.2 基于光流法的方法
• 4.1.3 基于变化域的方法
• 4.1.4 基于形态学分析的方法
• 4.1.5 基于匹配的方法
• 4.1.6 基于时空信息的视频分割算法
• 4.1.7 基于背景建模法的分割
• 4.1.8 其它方法
• 4.2 背景建模法存在的问题
• 4.3 小结
• 第五章 运动目标检测与识别
• 5.1 运动目标检测
• 5.1.1 背景模型的建立
• 5.1.2 背景模型的更新
• 5.1.3 阴影消除算法
• 5.2 运动目标识别
• 5.2.1 面积—紧密度和面积—体态比的目标识别
• 5.2.2 归一化傅立叶描述子目标识别方法
• 5.2.3 实验结果
• 5.3 小结
• 第六章 总结与展望
• 致谢
• 参考文献
• 附录：攻读学位期间发表论文