动态场景中基于背景建模的运动目标检测算法的研究

论文摘要

智能监控系统是目前国际上视频监控研究领域的发展方向之一。所谓智能型的监控系统是指利用当今先进的数字信号处理技术、模式识别技术、人工智能理论及自动控制技术等,将单个视频监控产品集成到一个监控系统中,使整个监控系统具有智能性。智能监控系统的核心技术是运动目标的检测,识别和跟踪,而对运动目标的准确检测是进行后续识别,跟踪的关键环节。背景建模一直则是运动目标检测中的一个重要课题。本文提出了一个适用于动态背景的基于非参数估计的前景背景对比模型。这个概率模型不仅考虑了传统目标检测中的时域相关性（背景减除等）,也考虑到了在动态场景中大量存在的空间相关性,使得模型在摇动树枝等动态背景中依然能够准确地检测目标。模型通过核密度估计的方法模拟了象素点5维特征向量（彩色灰度值,图像坐标）的概率分布,并在图像序列中滚动更新。对于每一新入帧通过马尔可夫随机场最大后验概率（maximum a posteriori-Markov random field）判决框架将前景背景全局分割问题转化为图论最大流最小割（graph-cut）求解。实验证明,上述算法能够在一般目标检测特别是动态场景的检测中取得很好的效果。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的研究意义
• 1.2 运动目标检测技术的发展及研究动态
• 1.3 论文的主要研究内容
• 1.4 论文章节安排
• 第二章 运动目标检测
• 2.1 建立时空域联合概率分布模型
• 2.2 核密度估计的应用
• 2.2.1 密度函数的核估计理论
• 2.2.2 核估计定义
• 2.2.3 核函数的选取
• 2.3 核函数带宽设置的分析
• 2.3.1 理论最优带宽的界定
• 2.3.2 实际最优带宽的确定
• 2.4 建立前景模型的意义
• 第三章 运动目标分割
• 3.1 用马尔可夫随机场描述图像中的关联性
• 3.1.1 马尔可夫随机场与图像处理
• 3.1.2 反问题及贝叶斯估计
• 3.1.3 Gibbs 分布定义的MRF 模型
• 3.1.3.1 马尔可夫随机场和Gibbs 分布的等价关系
• 3.1.3.2 Gibbs 马尔可夫模型
• 3.1.4 能量函数的构造与求解
• 3.2 本文采用的MAP-MRF 分割框架
• 3.3 基于图的最小割算法的应用
• 3.3.1 图论中最小割的基本原理
• 3.3.2 最小割的修正一归一割
• 3.3.3 传统的归一割最小化问题的近似解法
• 3.3.4 用最小割来解MAP-MRF 框架的组合优化问题
• 第四章 实验分析
• 4.1 算法流程图
• 4.2 实验环境
• 4.3 实验结果和性能分析
• 4.3.1 主观分析
• 4.3.2 客观分析
• 4.4 软件界面和参数介绍
• 第五章 结论与展望
• 参考文献
• 致谢
• 攻读硕士学位期间发表的学术论文