本文關鍵詞：基于運動補償及全局背景優(yōu)化的目標檢測，，由筆耕文化傳播整理發(fā)布。

【摘要】：視頻監(jiān)控作為現(xiàn)代城市的一種社會事務管理手段,在生活中得到了廣泛地運用。傳統(tǒng)的監(jiān)控模式存在許多弊端,因此監(jiān)控中的智能視頻分析技術仍然有很大的進步空間。在智能視頻分析使用到的諸多技術中,運動目標檢測是一項重要的基礎技術,所以對于運動目標檢測的研究有助于提升智能視頻分析技術。近年來,隨著運動目標檢測技術的迅速發(fā)展,逐漸誕生了一些效果優(yōu)異的算法。這些算法雖然在一定程度上滿足了監(jiān)控場景下的目標檢測需求,但其中的絕大部分只對于靜態(tài)場景有效,對于動態(tài)背景(相機移動)下的運動目標檢測任務不具有適用性。在動態(tài)背景下,由于相機處于移動狀態(tài),使得背景與前景同時具備了運動屬性,從而使兩者的區(qū)分變得十分困難。因此,動態(tài)背景下的運動目標檢測是當下目標檢測領域中一項具有挑戰(zhàn)性的課題。本文的主要工作如下：(1)針對動態(tài)背景下的目標檢測問題,提出了一種基于運動補償方法的在線背景模型更新算法,用一個快速的方式檢測運動目標。具體來說,首先為每個像素點建立一個像素級的背景模型。然后在前一幀的背景模型基礎上,用保邊濾波的光流算法來估計每個像素的運動,傳播到當前幀的背景模型。根據(jù)補償后的背景模型判斷每一個像素點是前景點還是背景點。最后,通過一個快速隨機算法對背景模型進行在線更新,以適應背景的變化。我們對收集到的視頻進行了大量的實驗,通過實驗驗證了算法的先進性。(2)針對像素級目標檢測的算法廣泛存在的誤檢現(xiàn)象,提出了一種基于全局背景建模的目標檢測優(yōu)化方法,方法使用超像素塊均值作為統(tǒng)計量進行混合高斯建模,利用了背景的全局外觀一致性來優(yōu)化像素級目標檢測方法。通過實驗,展示對像素級目標檢測方法的優(yōu)化結(jié)果,證明這樣的一種檢測優(yōu)化方法具備優(yōu)秀的優(yōu)化能力。最后通過與基于運動補償?shù)臋z測方法的聯(lián)合,構(gòu)建了一種局部到全局的目標檢測方法,通過對比實驗,驗證了這種局部到全局的方法在動態(tài)背景下有很好的檢測效果。
【關鍵詞】：動態(tài)背景 背景建模 目標檢測 運動補償 超像素 高斯背景建模
【學位授予單位】：安徽大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-13
• 1.1 研究背景與意義8-9
• 1.2 研究現(xiàn)狀9-11
• 1.3 本文的工作與安排11-13
• 第二章 運動目標檢測方法簡介13-24
• 2.1 靜態(tài)背景下的目標檢測方法13-14
• 2.2 動態(tài)背景下的目標檢測方法14-21
• 2.3 運動目標檢測方法的優(yōu)缺點分析21-24
• 第三章 基于運動補償?shù)目焖倌繕藱z測24-35
• 3.1 相關工作24-27
• 3.1.1 ViBe算法簡介24-25
• 3.1.2 保邊濾波光流法25-27
• 3.2 基于運動補償?shù)目焖倌繕藱z測算法27-31
• 3.2.1 背景模型的初始化28-29
• 3.2.2 背景模型的更新29-30
• 3.2.3 像素的分類30-31
• 3.2.4 目標檢測的后期處理31
• 3.3 實驗結(jié)果與分析31-34
• 3.3.1 參數(shù)的設定31-32
• 3.3.2 與其他方法的比較32-34
• 3.3.3 算法的性能分析34
• 3.4 本章小結(jié)34-35
• 第四章 基于全局背景建模的目標檢測優(yōu)化35-52
• 4.1 混合高斯建模方法35-40
• 4.1.1 高斯分布35-36
• 4.1.2 混合高斯模型36-38
• 4.1.3 混合高斯模型的參數(shù)估計及EM算法38-40
• 4.2 超像素技術40-41
• 4.2.1 超像素概述40
• 4.2.2 超像素與背景建模40-41
• 4.2.3 超像素生成方法41
• 4.3 全局背景建模檢測優(yōu)化方法41-44
• 4.4 實驗結(jié)果44-51
• 4.4.1 全局背景建模檢測優(yōu)化實驗44-46
• 4.4.2 局部到全局聯(lián)合方法實驗46-50
• 4.4.3 性能分析50-51
• 4.5 本章小結(jié)51-52
• 第五章 總結(jié)與展望52-54
• 參考文獻54-60
• 附錄A 圖索引60-61
• Appendix A Figure Index61-62
• 附錄B 表索引62-63
• Appendix B Table Index63-64
• 致謝64-65
• 攻讀碩士學位期間發(fā)表的論文65

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 金俁欣;陶霖密;徐光yP;彭玉新;;攝像機自由運動環(huán)境下的背景建模[J];中國圖象圖形學報;2008年02期

2 王智靈;周露平;陳宗海;;針對不同信息特征的魯棒背景建模技術分析[J];模式識別與人工智能;2009年02期

3 姜忠民;趙建民;朱信忠;;基于最大間隔聚類的背景建模方法[J];計算機技術與發(fā)展;2009年10期

4 余孟澤;劉正熙;駱健;楊丹;;基于塊背景建模的運動目標檢測[J];四川大學學報(自然科學版);2011年03期

5 葛海淼;戴學豐;王成琳;;一種新型移動物體檢測及背景建模系統(tǒng)[J];電子技術應用;2013年01期

6 桑農(nóng);張濤;李斌;吳翔;;基于字典學習的背景建模[J];華中科技大學學報(自然科學版);2013年09期

7 左軍毅;潘泉;梁彥;張洪才;程詠梅;;基于模型切換的自適應背景建模方法[J];自動化學報;2007年05期

8 張水發(fā);丁歡;張文生;;雙模型背景建模與目標檢測研究[J];計算機研究與發(fā)展;2011年11期

9 楊敏;安振英;;基于低秩矩陣恢復的視頻背景建模[J];南京郵電大學學報(自然科學版);2013年02期

10 李子龍;劉偉銘;張陽;;基于自適應模糊估計的背景建模方法[J];華南理工大學學報(自然科學版);2013年09期

中國重要會議論文全文數(shù)據(jù)庫 前5條

1 王智靈;陳宗海;周露平;;基于多信息層次的魯棒背景建模方法[A];2007系統(tǒng)仿真技術及其應用學術會議論文集[C];2007年

2 李霞;董雁冰;王亞輝;王俊;;空間光學輻射背景建模研究[A];2007年光電探測與制導技術的發(fā)展與應用研討會論文集[C];2007年

3 何強;林宏基;;基于蟻群算法的自適應背景建模[A];第十一屆中國體視學與圖像分析學術會議論文集[C];2006年

4 李恒暉;楊金鋒;任小慧;吳仁彪;;一種多約束條件的混合高斯背景建模方法[A];全國第二屆信號處理與應用學術會議�？痆C];2008年

5 韓穎婕;張海;李琳怡;;基于混合高斯背景建模的陰影抑制算法[A];第十四屆全國圖象圖形學學術會議論文集[C];2008年

中國博士學位論文全文數(shù)據(jù)庫 前4條

1 葉芳芳;監(jiān)控視頻中的異常行為檢測研究[D];浙江大學;2014年

2 鄒騰躍;復雜環(huán)境目標檢測與跟蹤關鍵技術研究及應用[D];華中科技大學;2013年

3 何志偉;基于模型的目標提取及其在智能交通中的應用[D];浙江大學;2006年

4 江疆;基于稀疏表達的若干分類問題研究[D];華中科技大學;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 劉雨辰;復雜背景中的多目標檢測與跟蹤[D];內(nèi)蒙古大學;2015年

2 胡婷;基于視頻技術的車輛檢測跟蹤及分類算法研究與實現(xiàn)[D];長安大學;2015年

3 楊文幫;基于視頻分析的人群流量檢測[D];貴州民族大學;2015年

4 賴文杰;基于ARM-FPGA的視覺追蹤系統(tǒng)的設計與實現(xiàn)[D];哈爾濱工業(yè)大學;2015年

5 宋歡歡;復雜場景下背景建模方法的研究與實現(xiàn)[D];南昌大學;2015年

6 蘇建安;面向智能視頻監(jiān)控的高動態(tài)場景建模和修復[D];電子科技大學;2014年

7 滕琳琳;基于高階擴展FMM和低秩矩陣恢復的信號重建研究[D];河北工業(yè)大學;2015年

8 張驚州;復雜場景下基于視頻的行人流量統(tǒng)計算法研究[D];電子科技大學;2014年

9 陳星明;基于背景建模的運動目標監(jiān)控視頻檢測算法[D];南京大學;2015年

10 柯太清;基于快速背景建模的人物越界檢測系統(tǒng)設計與實現(xiàn)[D];電子科技大學;2014年

  本文關鍵詞：基于運動補償及全局背景優(yōu)化的目標檢測，由筆耕文化傳播整理發(fā)布。

本文編號：353637