本文選題：運動目標(biāo)檢測　切入點：高斯模型　出處：《吉林大學(xué)》2017年碩士論文

【摘要】：近年來,隨著計算機(jī)技術(shù)的蓬勃發(fā)展,互聯(lián)網(wǎng)技術(shù)也隨之走進(jìn)了千家萬戶,人們的日常生活越來越離不開各種智能設(shè)備,智能視頻監(jiān)控系統(tǒng)也應(yīng)運而生。用計算機(jī)視覺代替人眼去識別視頻中的目標(biāo),不僅能大大的提高工作效率,同時還能解決很多人眼解決不了的問題,在這樣的前提下,視頻中的運動目標(biāo)檢測算法變得越來越重要。一個好的運動目標(biāo)檢測算法,能夠?qū)崟r、準(zhǔn)確的將運動目標(biāo)從視頻當(dāng)中提取出來,不僅應(yīng)用在人們?nèi)粘Ｉ畹男^(qū)、車站等人群密集的地方,同時在交通、軍事、醫(yī)療方面都有著廣泛的應(yīng)用,而且在將視頻中的運動目標(biāo)提取出來之后,我們還可以對其進(jìn)行跟蹤、行為分析等進(jìn)一步的操作。因此,迅速又完整的提取出運動目標(biāo)是視頻挖掘分析的基礎(chǔ)。本文首先介紹了光流法、幀間差分法和背景差分法這三種傳統(tǒng)運動目標(biāo)檢測方法的基本原理,并分析了它們各自的優(yōu)缺點,還介紹了平均值法、中值法、核密度估計法和單高斯模型這四種背景建模的方法,旨在通過對以上幾種運動目標(biāo)檢測過程的分析,對不足之處做出改進(jìn),然后結(jié)合每種算法的優(yōu)點,總結(jié)出一套適用度更加廣泛、目標(biāo)檢測結(jié)果更加精準(zhǔn)的運動目標(biāo)檢測算法。本文所闡述的算法主要是對幀間差分法做出改進(jìn),提出了改進(jìn)之后的五幀差分法,使得運動目標(biāo)的檢測結(jié)果更加精細(xì),同時還解決了邊緣不夠連續(xù)的問題,從而保證了信息的完整性;此外,還針對混合高斯模型中,計算量過于龐大,以及?取值只能固定不變的問題做出了改進(jìn),通過將視頻圖像分塊運算,大大降低了匹配算法的運算量,同時還提出了一種新的方案,使?能夠根據(jù)當(dāng)前視頻流過的幀數(shù)自適應(yīng)取值,能夠在視頻剛開始之初,就迅速完成背景建模,之后為了更好的抑制噪聲,再逐漸減小?的取值。由于幀間差分法對光照變化不敏感,但是對于連續(xù)迅速變化的動態(tài)背景,其運動目標(biāo)檢測結(jié)果就會大打折扣;而混合高斯模型恰恰適用于變換復(fù)雜的動態(tài)背景,卻對光照的強(qiáng)烈變化異常敏感。因此,本算法融合了二者的優(yōu)點,互相取長補(bǔ)短,將改進(jìn)后的五幀差分法和改進(jìn)后的混合高斯模型結(jié)合起來,共同完成監(jiān)控視頻中的運動目標(biāo)檢測。
[Abstract]:In recent years, with the rapid development of computer technology, Internet technology has also entered thousands of households, people's daily life is more and more inseparable from a variety of intelligent equipment, intelligent video surveillance system also came into being.Using computer vision instead of human eyes to identify video targets can not only greatly improve work efficiency, but also solve problems that cannot be solved by many people's eyes.Moving target detection algorithms in video are becoming more and more important.A good moving target detection algorithm can extract moving target from video in real time and accurately. It is not only used in the crowded places of people's daily life, such as community, station and so on, but also in traffic, military, etc.Medical applications are widely used, and after extracting moving targets from video, we can track them, analyze their behavior and so on.Therefore, the fast and complete extraction of moving targets is the basis of video mining and analysis.In this paper, the basic principles of three traditional moving target detection methods, optical flow method, inter-frame difference method and background difference method, are introduced, and their respective advantages and disadvantages are analyzed.The kernel density estimation method and single Gao Si model are four background modeling methods, which aim to improve the shortcomings of each algorithm by analyzing the above process of moving target detection, and then combining the advantages of each algorithm.A set of moving target detection algorithms with wider applicability and more accurate target detection results are summarized.The algorithm described in this paper is mainly to improve the method of inter-frame difference, and the improved five-frame difference method is put forward, which makes the detection result of moving target more precise, and solves the problem that the edge is not continuous enough.In order to ensure the integrity of the information; in addition, the mixed Gao Si model, the calculation is too large, and?The problem that the value can only be fixed is improved. By dividing the video image into blocks, the computational complexity of the matching algorithm is greatly reduced. At the same time, a new scheme is proposed.Can choose the value according to the frame number of the current video flow, can finish the background modeling quickly at the beginning of the video, and then reduce gradually in order to suppress the noise better?The value ofBecause the inter-frame differential method is not sensitive to the illumination change, but the moving target detection results will be greatly reduced for the continuous and rapidly changing dynamic background, and the mixed Gao Si model is suitable for the transformation of complex dynamic background.But it is very sensitive to intense changes in light.Therefore, this algorithm combines the advantages of the two methods and makes up for each other's weaknesses. The improved five-frame differential method is combined with the improved mixed Gao Si model to detect moving targets in surveillance video.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 莊曉嬋;向平;趙牡丹;;圖像目標(biāo)檢測算法研究[J];科學(xué)技術(shù)與工程;2007年05期

2 張桂林，熊艷，，曹偉，李強(qiáng);一種評價自動目標(biāo)檢測算法性能的方法[J];華中理工大學(xué)學(xué)報(社會科學(xué)版);1994年05期

3 秦劍;陳錢;錢惟賢;;基于背景分類的弱小目標(biāo)檢測算法[J];光電工程;2011年01期

4 蔣建國;吳暉;齊美彬;張莉;;攝像機(jī)旋轉(zhuǎn)運動下的快速目標(biāo)檢測算法[J];圖學(xué)學(xué)報;2012年03期

5 逯鵬;張姍姍;劉馳;黃石磊;湯玉合;;基于稀疏超完備表示的目標(biāo)檢測算法[J];儀器儀表學(xué)報;2013年06期

6 李大輝;金濤;;弱小目標(biāo)檢測算法的設(shè)計與分析[J];中國科技信息;2013年16期

7 張明艷;許鋼;孟櫻;;基于時空特性的運動目標(biāo)檢測算法研究[J];安徽工程大學(xué)學(xué)報;2013年04期

8 徐振海,王雪松,肖順平,莊釗文;基于模糊融合的目標(biāo)檢測算法研究[J];國防科技大學(xué)學(xué)報;2000年04期

9 李維雅,董能力,金鋼,李正周;弱小目標(biāo)檢測算法性能評價的回歸分析方法[J];光電工程;2005年02期

10 高陳強(qiáng);田金文;王鵬;;基于時域特性分析的紅外運動小目標(biāo)檢測算法[J];紅外與激光工程;2008年05期

相關(guān)會議論文 前10條

1 高飛;蔣建國;安紅新;齊美彬;;一種快速運動目標(biāo)檢測算法[A];全國第22屆計算機(jī)技術(shù)與應(yīng)用學(xué)術(shù)會議(CACIS·2011)暨全國第3屆安全關(guān)鍵技術(shù)與應(yīng)用（SCA·2011）學(xué)術(shù)會議論文摘要集[C];2011年

2 孫瑾秋;張艷寧;姜磊;王敏;;基于變換域特征的星空背景弱小目標(biāo)檢測算法[A];第八屆全國信號與信息處理聯(lián)合學(xué)術(shù)會議論文集[C];2009年

3 鄧宇;陳孝威;;綜合利用時空信息的運動目標(biāo)檢測算法[A];第二屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議(HHME2006)——第15屆中國多媒體學(xué)術(shù)會議(NCMT'06)論文集[C];2006年

4 袁輝;孫卓;李德民;魏穎;;基于小波多尺度互能量交叉融合濾波的弱小目標(biāo)檢測算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

5 顧靜良;萬敏;張衛(wèi);鄭捷;;低對比度弱小目標(biāo)檢測算法[A];中國工程物理研究院科技年報（2005）[C];2005年

6 黃龔;鄭錦;劉養(yǎng)科;;攝像機(jī)水平巡掃時的運動目標(biāo)檢測算法[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2010）、第5屆全國普適計算學(xué)術(shù)會議（PCC2010）論文集[C];2010年

7 張國華;;一種基于導(dǎo)引頭穩(wěn)定平臺結(jié)構(gòu)的目標(biāo)檢測算法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

8 王正;劉瑞華;;基于PTZ攝像機(jī)的運動目標(biāo)檢測算法[A];全國第一屆嵌入式技術(shù)聯(lián)合學(xué)術(shù)會議論文集[C];2006年

9 王彪;王成儒;王芬芬;;一種改進(jìn)的運動目標(biāo)檢測算法[A];計算機(jī)技術(shù)與應(yīng)用進(jìn)展·2007——全國第18屆計算機(jī)技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集[C];2007年

10 劉琳;顧國華;錢惟賢;陳錢;徐富元;;目標(biāo)檢測算法的研究以及SRIO協(xié)議在目標(biāo)檢測的應(yīng)用[A];第八屆華東三省一市真空學(xué)術(shù)交流會論文集[C];2013年

相關(guān)博士學(xué)位論文 前6條

1 王海豐;基于機(jī)器視覺的剖竹機(jī)加工目標(biāo)檢測算法研究[D];東北林業(yè)大學(xué);2015年

2 高永嬋;復(fù)雜場景下多通道陣列自適應(yīng)目標(biāo)檢測算法研究[D];西安電子科技大學(xué);2015年

3 王俊強(qiáng);圖像中人體目標(biāo)檢測算法研究[D];北京郵電大學(xué);2012年

4 郭明瑋;基于視覺記憶的目標(biāo)檢測算法：一個特征學(xué)習(xí)與特征聯(lián)想的過程[D];中國科學(xué)技術(shù)大學(xué);2014年

5 臧風(fēng)妮;智能視頻監(jiān)控中海面艦船目標(biāo)檢測算法研究[D];中國海洋大學(xué);2014年

6 陳偉;基于PSO的復(fù)雜工業(yè)環(huán)境視覺目標(biāo)檢測算法應(yīng)用研究[D];武漢科技大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 劉恒建;基于FPGA+DSP的運動目標(biāo)檢測系統(tǒng)的設(shè)計與實現(xiàn)[D];南京理工大學(xué);2015年

2 賈建英;視頻序列中運動目標(biāo)檢測算法研究[D];長安大學(xué);2015年

3 周亞運;基于TMS320DM642平臺的紅外運動目標(biāo)檢測算法設(shè)計[D];南京理工大學(xué);2015年

4 姚丹;基于多光譜信息融合的弱小運動目標(biāo)檢測技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2015年

5 劉培培;基于區(qū)域特征的運動目標(biāo)檢測算法的研究與開發(fā)[D];廣西大學(xué);2015年

6 崔璇;天空背景下紅外小目標(biāo)檢測算法研究[D];陜西師范大學(xué);2015年

7 范肖肖;基于視覺注意機(jī)制的目標(biāo)檢測算法的研究[D];電子科技大學(xué);2015年

8 丁嬋;運動目標(biāo)檢測算法在嵌入式平臺的研究[D];電子科技大學(xué);2015年

9 張冠雄;基于標(biāo)簽傳播的顯著性目標(biāo)檢測算法研究[D];大連理工大學(xué);2015年

10 李建波;視頻監(jiān)控中運動目標(biāo)檢測算法的研究[D];哈爾濱工業(yè)大學(xué);2014年

本文編號：1718095