视频运动目标检测算法与应用

论文摘要

视频运动目标检测是数字视频处理和计算机视觉的重要研究领域之一,同时也是智能视频监控等关键应用中的核心技术。基于混合高斯概率背景模型的GMM（Gaussian Mixture Model）算法是减背景类运动目标检测算法中的经典代表,有着易于实现、对多峰分布背景建模以及背景模型自适应等优点,但其对模型初始化阶段不允许有前景运动物体出现的限制和模型适应速度缓慢的缺陷极大地制约了其应用适应性。由此,本文提出了一种对基本GMM算法的改进策略,引入LIF（Local Image Flow）算法实现对复杂背景的无约束稳定初始化,并采用LrW（L-recent Window）算法来进行模型参数的自适应更新。此外,考虑到算法在视频监控应用中的实时性需要,我们对模型匹配和模型排序等算法步骤进行了计算简化上的改进,形成了新的GMM改进算法框架。同时,采用改进后的GMM算法本文也实现了一个基于网络视频流传输的海事场景实时监控系统,给出了详细的算法实现以及实用监控软件开发中一系列技术难点的解决策略。另外,本文提出了应用于面向视频场景虚实交互控制中的一种运动阴影检测算法（MSDVRI）。该算法以混合高斯模型描述动态图像背景,着重通过引入两步阴影过滤判据,利用阴影区域像素的灰度以及HSV颜色特征与背景的显著差异极大地降低了像素级建模及相关计算带来的实时性损失。而且,在利用其运动特征作进一步阴影像素检测的过程中,采用了相对基本GMM算法更加简化但等效的阴影判定策略,避免了耗时的方差初始化、模型方差参数更新以及模型排序等耗时计算,使得算法整体实时性能得以进一步提高。基于这一新的运动阴影检测算法框架,本文实现了一个虚实交互系统,讨论了MSDVRI算法在系统研发中的详细实现方法,同时也就交互控制中的同步问题作了重点探讨。

论文目录

• 摘要
• Abstract
• 图目录
• 表目录
• 第1章 绪论
• 1.1 课题背景
• 1.2 相关研究
• 1.2.1 视频运动分割
• 1.2.2 动态背景建模
• 1.2.3 阴影检测与移除
• 1.3 研究内容和目标
• 1.4 本文结构组织
• 1.5 本章小结
• 第2章 基于背景减除的GMM改进算法
• 2.1 引言
• 2.2 相关工作
• 2.3 减背景运动检测与基本的GMM算法
• 2.3.1 减背景目标检测算法框架
• 2.3.2 基本的GMM算法
• 2.4 GMM算法改进
• 2.4.1 LIF模型初始化算法
• 2.4.2 LrW模型参数更新算法
• 2.4.3 改进的GMM算法
• 2.5 实验结果及分析
• 2.6 本章小结
• 第3章 SMonitor网络视频监控系统设计与实现
• 3.1 系统目标与需求
• 3.2 系统功能与总体设计
• 3.2.1 系统总体结构设计
• 3.2.2 系统功能描述
• 3.3 运动检测算法的实现
• 3.4 监控与报警
• 3.4.1 区域监控
• 3.4.2 分级报警
• 3.4.3 报警录像
• 3.5 本章小结
• 第4章 虚实交互中的运动阴影检测算法
• 4.1 引言
• 4.2 相关工作
• 4.3 多高斯背景建模与阴影判据
• 4.3.1 高斯混合背景模型
• 4.3.2 两步阴影判据
• 4.4 运动阴影检测算法
• 4.4.1 背景模型的初始化
• 4.4.2 背景模型的匹配
• 4.4.3 模型参数更新
• 4.4.4 阴影检测算法流程
• 4.5 试验结果及分析
• 4.6 本章小结
• 第5章 DUESYS虚实交互系统设计与实现
• 5.1 引言
• 5.2 系统需求与框架
• 5.2.1 系统目标与需求
• 5.2.2 总体设计与系统结构
• 5.3 运动阴影检测算法的实现
• 5.4 虚实交互控制
• 5.5 本章小结
• 第6章 结论
• 6.1 本文完成的主要工作
• 6.2 进一步的研究工作
• 参考文献
• 攻读硕士学位期间主要的研究成果
• 致谢
• 作者简历