动态场景下基于空时显著性的运动目标检测研究

论文摘要

显著性是当前计算机视觉领域的研究热点之一,它模拟人眼视觉注意和信息处理机制,设计类似的显著性计算模型。到目前为止,针对静态图像已有较为成熟的显著区域提取方法。显著性不考虑全局特征的变化,而重点关注局部特征对比,将其扩展到对于视频中运动目标的处理,能够避免在动态场景下建立运动补偿模型的难题。运动检测是计算机视觉领域的一个经典问题。高动态背景与相机运动是该任务的两个难点。空时显著性检测,已被应用到运动目标检测中,且被证明具有对高动态背景和相机运动鲁棒的特点。本文首先回顾了显著性算法的研究现状,这些算法可以笼统的分为3类:基于底层特征、基于图像复杂度和基于生物视觉模型的。然后阐述了与显著性有关的重要的生物学基础,从这些生物学上的工作机制,我们提出了显著性算法设计基本原则。本文也回顾了经典的运动目标检测算法,并提出了一种基于混合动态纹理的空时显著性方法来检测动态场景下的运动目标。本文的主要工作和创新点有:(1)综述了显著性算法研究的国内外进展,分析常用算法的优缺点和应用场景;(2)实现帧差法,W4,GMM等运动目标检测算法,并通过实验分析提出了改进;(3)基于人视觉系统的工作机理,本文总结已有的算法设计思想,并归纳为4条原则;(4)改进了一种基于混合动态纹理的空时显著性方法,并将其应用到运动目标检测之中。该方法首先利用混合动态纹理(MDT)对高动态背景进行建模,然后基于中心邻域的框架利用时空信息计算显著性图。对显著性图进行适当的阈值处理,即得到运动目标检测结果。实验结果表明,本文提出的方法能够有效地改善运动目标检测的精度。

论文目录

• 摘要
• ABSTRACT
• 图录
• 表录
• 第一章 绪论
• 1.1 问题研究背景及其意义
• 1.2 国内外研究现状
• 1.2.1 运动目标检测
• 1.2.2 显著性研究
• 1.3 论文主要工作及结构安排
• 第二章 人的视觉系统及其注意机制
• 2.1 人的视觉信息处理系统
• 2.1.1 人眼
• 2.1.2 大脑
• 2.2 视觉信息处理
• 2.2.1 人视觉系统的工作原理
• 2.2.2 视觉理论
• 2.2.3 注意机制
• 2.3 本章小结
• 第三章 基于视觉注意机制的显著性算法
• 3.1 显著性计算模型的原则
• 3.2 典型的显著性计算模型
• 3.2.1 Koch&Ullan 模型
• 3.2.2 Itti 模型
• 3.2.3 Knudsen 模型
• 3.2.4 Cheng 模型
• 3.3 本章小结
• 第四章 运动目标检测算法
• 4.1 运动目标检测算法分类
• 4.1.1 背景建模方法
• 4.1.2 基于运动信息的方法
• 4.2 常用运动目标检测算法的实现与改进
• 4.2.1 差分法
• 4.2.2 W4 算法
• 4.2.3 混合高斯模型
• 4.3 本章小结
• 第五章 基于空时显著性的运动目标检测
• 5.1 动态纹理模型
• 5.1.1 单模态动态纹理模型
• 5.1.2 混合动态纹理（MDT）
• 5.2 空时显著性判别函数
• 5.3 运动目标检测结果
• 5.4 实验结果及分析
• 5.4.1 实验效果对比
• 5.4.2 算法性能定量分析
• 5.4.3 实验结论
• 5.5 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 致谢
• 攻读硕士学位期间已发表或录用的论文
• 附件