本文關(guān)鍵詞：基于背景減除法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究

  更多相關(guān)文章： 圖像處理 背景減除法 目標(biāo)檢測(cè) 碼本模型 ViBe算法

【摘要】：視頻監(jiān)控系統(tǒng)在當(dāng)今社會(huì)中已隨處可見,其為人們的安全提供保障,而運(yùn)動(dòng)目標(biāo)檢測(cè)在視頻監(jiān)控系統(tǒng)當(dāng)中扮演關(guān)鍵角色,更是后期運(yùn)動(dòng)目標(biāo)跟蹤、識(shí)別和分類的基礎(chǔ)。其中,背景減除法作為一種經(jīng)典有效的運(yùn)動(dòng)目標(biāo)檢測(cè)算法,得到了廣泛的研究和應(yīng)用。本文的研究目的是改進(jìn)碼本模型算法和ViBe(Visual Background Extractor,可視化背景提取)算法的運(yùn)動(dòng)目標(biāo)檢測(cè)效果,主要工作如下:1、研究了目前幾種比較常用且檢測(cè)效果比較好的基于背景減除法的背景模型,分析各種模型建立的原理,判斷它們的檢測(cè)性能,比較它們各自的特性,認(rèn)識(shí)它們各自適合的檢測(cè)場(chǎng)景。2、針對(duì)傳統(tǒng)碼本目標(biāo)檢測(cè)算法自適應(yīng)動(dòng)態(tài)背景能力差的問題,對(duì)其進(jìn)行改進(jìn),建立一種基于區(qū)域信息的自適應(yīng)碼本目標(biāo)檢測(cè)新算法。首先,添加一個(gè)學(xué)習(xí)率,使得背景模型能夠自適應(yīng)地更新,從而可以適應(yīng)動(dòng)態(tài)光照條件。其次,結(jié)合八連通區(qū)域信息,讓周圍像素的碼本也參與到待檢測(cè)像素碼本的匹配過程中,使得待檢測(cè)像素的碼本和周圍像素的碼本融合,從而得到更精確的背景模型。最后,為前景點(diǎn)建立一個(gè)前景模型,并不斷對(duì)其進(jìn)行更新,實(shí)現(xiàn)前景模型和背景模型的相互轉(zhuǎn)化,從而消除因背景變化造成的誤檢。實(shí)驗(yàn)結(jié)果表明:本算法在有隨機(jī)噪聲及光照變化的復(fù)雜環(huán)境下能夠檢測(cè)出運(yùn)動(dòng)目標(biāo),并能有效地抑制復(fù)雜環(huán)境產(chǎn)生的噪聲,具有較好的檢測(cè)率和較好的魯棒性。3、考慮到ViBe算法在設(shè)計(jì)時(shí)局限性,結(jié)合一些其他檢測(cè)算法的優(yōu)點(diǎn),對(duì)傳統(tǒng)ViBe模型進(jìn)行了改進(jìn),從而形成了新的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。在該算法中,首先,將時(shí)間序列上的樣本加入到原本只考慮空間樣本的背景模型中。其次,在背景更新的過程中引入TOM(Time of Map,累計(jì)次數(shù))更新方式,使得變化的前景和背景能快速融合。最后,在后處理中加入陰影去除、形態(tài)學(xué)去噪和連通區(qū)域分析等步驟,以得到更好更完整的前景運(yùn)動(dòng)目標(biāo)。經(jīng)實(shí)驗(yàn)驗(yàn)證,相比于傳統(tǒng)的ViBe算法,文中改進(jìn)的算法可以于復(fù)雜環(huán)境中檢測(cè)出運(yùn)動(dòng)目標(biāo),同時(shí)具有較好的檢測(cè)率,能達(dá)到對(duì)運(yùn)動(dòng)目標(biāo)檢測(cè)的要求。
【關(guān)鍵詞】：圖像處理 背景減除法 目標(biāo)檢測(cè) 碼本模型 ViBe算法
【學(xué)位授予單位】：中國(guó)民航大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP391.41;TN948.6
【目錄】：

• 摘要5-6
• Abstract6-10
• 第一章 緒論10-18
• 1.1 研究背景及意義10-11
• 1.2 國(guó)內(nèi)外研究現(xiàn)狀11-15
• 1.2.1 典型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法12-13
• 1.2.2 背景減除法的發(fā)展過程13-15
• 1.3 需要解決的難點(diǎn)15-16
• 1.4 本文的研究?jī)?nèi)容及章節(jié)安排16-18
• 第二章 背景減除法的典型模型18-32
• 2.1 背景減除法18-20
• 2.2 典型模型20-31
• 2.2.1 單高斯模型20
• 2.2.2 混合高斯模型20-22
• 2.2.3 碼本模型22
• 2.2.4 W4模型22-23
• 2.2.5 非參數(shù)核密度估計(jì)模型23-25
• 2.2.6 自組織神經(jīng)網(wǎng)絡(luò)模型25-28
• 2.2.7 ViBe模型28
• 2.2.8 樣本一致性模型28-31
• 2.3 本章小結(jié)31-32
• 第三章 基于區(qū)域信息的自適應(yīng)碼本目標(biāo)檢測(cè)算法32-43
• 3.1 傳統(tǒng)碼本模型32-33
• 3.2 基于區(qū)域信息的自適應(yīng)碼本模型33-37
• 3.2.1 背景建立34-36
• 3.2.2 前景檢測(cè)36
• 3.2.3 背景更新36-37
• 3.3 實(shí)驗(yàn)與討論37-42
• 3.3.1 前背景轉(zhuǎn)換測(cè)試37-38
• 3.3.2 綜合性能對(duì)比測(cè)試38-42
• 3.4 本章小結(jié)42-43
• 第四章 基于改進(jìn)ViBe模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法43-54
• 4.1 傳統(tǒng)ViBe模型43-45
• 4.2 改進(jìn)的ViBe模型45-49
• 4.2.1 改進(jìn)模型的初始化方式45-46
• 4.2.2 改進(jìn)前景檢測(cè)46-47
• 4.2.3 改進(jìn)模型的更新方式47-48
• 4.2.4 陰影去除48
• 4.2.5 形態(tài)學(xué)處理48-49
• 4.3 實(shí)驗(yàn)與討論49-53
• 4.4 本章小結(jié)53-54
• 結(jié)論54-55
• 參考文獻(xiàn)55-59
• 致謝59-60
• 作者簡(jiǎn)介60

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前10條

1 薛茹;宋煥生;付洋;;基于塊編碼和交替更新的目標(biāo)檢測(cè)算法[J];微電子學(xué)與計(jì)算機(jī);2013年06期

2 郭志濤;劉玉菲;劉恩海;顧軍華;路倩倩;梁慧;;基于區(qū)域特征分析的層級(jí)有序碼書目標(biāo)檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用研究;2013年06期

3 姜柯;李艾華;蘇延召;;雙重自適應(yīng)碼本模型在運(yùn)動(dòng)目標(biāo)檢測(cè)中的應(yīng)用[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2013年01期

4 黃進(jìn);金煒東;秦娜;周艷;劉景波;;消除陰影和高亮噪聲的雙梯柱體碼本前景檢測(cè)模型[J];西安交通大學(xué)學(xué)報(bào);2013年04期

5 霍東海;楊丹;張小洪;洪明堅(jiān);;一種基于主成分分析的Codebook背景建模算法[J];自動(dòng)化學(xué)報(bào);2012年04期

6 潘金山;蘇志勛;王偉;;運(yùn)動(dòng)細(xì)節(jié)估計(jì)的光流場(chǎng)方法[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2011年08期

7 甘明剛;陳杰;劉勁;王亞楠;;一種基于三幀差分和邊緣信息的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];電子與信息學(xué)報(bào);2010年04期

8 林慶;徐劍暉;王士同;詹永照;;運(yùn)動(dòng)人體感興趣區(qū)域的自動(dòng)檢測(cè)[J];計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào);2009年10期

9 代科學(xué);李國(guó)輝;涂丹;袁見;;監(jiān)控視頻運(yùn)動(dòng)目標(biāo)檢測(cè)減背景技術(shù)的研究現(xiàn)狀和展望[J];中國(guó)圖象圖形學(xué)報(bào);2006年07期

10 劉亞,艾海舟,徐光佑;一種基于背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法[J];信息與控制;2002年04期

，

本文編號(hào)：1042650