基于背景建模的运动目标检测算法研究

论文摘要

近年来,运动目标检测已经成为计算机视觉、应用数学等交叉学科领域的一个备受关注的研究热点。运动目标检测就是把感兴趣的运动物体提取出来。它是智能视频监控系统的核心内容之一,是进行后续识别,跟踪的关键环节。然而,由于复杂动态场景中树枝叶的摇曳、水面的波动、喷泉等背景区域的频繁变化,当前的运动目标检测算法在检测的准确性和实时性上面临着巨大的挑战。于是,本文针对为克服背景区域频繁变化这一关键问题进行研究,提出了一种有效的基于背景建模的运动目标检测算法,主要的研究工作如下：首先,提出了一种模型个数动态分配的背景建模算法,用于运动目标检测。该算法的主要思想是,在图像所有像素的模型总个数固定的情况下,对于频繁变化的背景点,当未达到像素点自身的模型个数上限且不超过图像模型总个数的前提下,可以“借用”相对稳定的区域像素点的未用模型个数的名额。这样,根据模型转化规则,通过删除模型、增加模型、替换模型来动态分配模型个数并进行模型的参数更新,以实现背景模型的生成,从而使得背景模型个数能够随着场景的变化动态调整。然后,结合时空域的背景模型进行前景点检测,以此消除动态背景干扰的影响。其次,光照后处理过程中,在HOG(Histograms of Oriented Gradients)特征的基础上加以改进,通过边缘信息描述物体的形状特征。然后通过一种基于Bhattacharyya系数度量的前景验证方法来克服光照变化造成的误检。再次,对本文的算法进行了分析和实验,各种经典场景下的实验结果表明,该算法能够有效处理复杂动态场景中的背景扰动如摇曳的树枝、波动的水纹、喷泉和光照变化,将运动目标较为精确的检测出来。与传统的运动目标检测方法相比,具有更好的实时性和准确性。最后,对基于背景建模的运动目标检测算法中存在的难点问题进行了总结和展望。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究背景及意义
• 1.2 研究历史及现状
• 1.2.1 运动目标检测的研究历史及现状
• 1.2.2 背景建模算法的研究历史及现状
• 1.3 本文的主要内容
• 1.4 本文的结构安排
• 第2章 运动目标检测主要算法的综述与分析
• 2.1 时间差分法
• 2.2 光流法
• 2.3 背景差分法
• 2.3.1 统计平均法
• 4方法'>2.3.2 W⁴方法
• 2.3.3 混合高斯背景建模法
• 2.3.4 非参数核密度估计法
• 2.4 本章小结
• 第3章 基于模型个数动态分配的背景建模算法
• 3.1 引言
• 3.2 算法思想
• 3.3 模型个数动态分配及参数更新策略
• 3.3.1 模型参数初始化
• 3.3.2 模型个数的动态分配及参数更新
• 3.4 生成背景模型
• 3.5 基于时空域背景模型的前景点检测
• 3.5.1 时域背景模型的前景点检测
• 3.5.2 结合空域背景模型的前景点检测
• 3.6 实验分析
• 3.6.1 图像处理分析
• 3.6.2 算法性能分析
• 3.7 实验结果
• 3.8 小结
• 第4章 背景建模后的光照后处理
• 4.1 引言
• 4.2 一种改进的HOG特征
• 4.2.1 HOG特征
• 4.2.2 改进的特征提取算法
• 4.3 光照后处理
• 4.3.1 Bhattacharyya系数
• 4.3.2 基于Bhattacharyya系数度量的前景验证
• 4.4 实验分析
• 4.5 实验结果
• 4.6 本章小结
• 第5章 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 致谢