本文關(guān)鍵詞：智能視頻監(jiān)控算法及其在FPGA實(shí)現(xiàn)的研究

  更多相關(guān)文章： 智能視頻監(jiān)控 運(yùn)動(dòng)目標(biāo)檢測 運(yùn)動(dòng)目標(biāo)跟蹤 FPGA實(shí)現(xiàn)

【摘要】：隨著計(jì)算機(jī)與圖像處理技術(shù)的快速發(fā)展,智能視頻監(jiān)控技術(shù)已經(jīng)成為安防領(lǐng)域一個(gè)重要的研究課題。智能視頻監(jiān)控可以利用成像系統(tǒng)代替人眼,用計(jì)算機(jī)代替大腦,從而像人那樣完成監(jiān)控任務(wù),減輕人的負(fù)擔(dān),對解決‘視覺信息膨脹’與監(jiān)控實(shí)時(shí)性間的矛盾十分有意義。運(yùn)動(dòng)目標(biāo)檢測與跟蹤屬于智能視頻監(jiān)控系統(tǒng)的底層與中層,其結(jié)果能夠?yàn)楹罄m(xù)的行為理解與決策提供有效可靠的數(shù)據(jù)基礎(chǔ),因而準(zhǔn)確且魯棒的檢測與跟蹤方法對于應(yīng)用于復(fù)雜場景的智能監(jiān)控系統(tǒng)尤為重要。本文對運(yùn)動(dòng)目標(biāo)檢測與跟蹤這兩個(gè)方面內(nèi)容展開研究,詳細(xì)分析了當(dāng)前常用的運(yùn)動(dòng)目標(biāo)檢測與跟蹤方法的原理、優(yōu)缺點(diǎn)及適用場景,并提出了本文的創(chuàng)新方法。主要工作如下:1.針對當(dāng)前簡單的兩幀圖像差分法會(huì)產(chǎn)生很多的噪聲點(diǎn),且這些噪點(diǎn)基本集中在圖像的邊緣附近的特點(diǎn),提出一種改進(jìn)幀差法。該方法利用凹形模板處理與三幀差分法來減少圖像中背景邊緣與運(yùn)動(dòng)目標(biāo)邊緣附近的噪點(diǎn),降低了目標(biāo)檢測的誤檢率。融合改進(jìn)幀差法與自適應(yīng)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測方法能夠有效改進(jìn)幀差法檢測目標(biāo)不完整與混合高斯模型光照敏感,動(dòng)態(tài)環(huán)境適應(yīng)差的缺點(diǎn),提高了目標(biāo)檢測的準(zhǔn)確性與魯棒性。2.利用粒子濾波實(shí)現(xiàn)的目標(biāo)跟蹤,能夠較好的適應(yīng)非線性,非高斯的復(fù)雜場景監(jiān)控系統(tǒng)。本文提出的自適應(yīng)多特征融合的粒子濾波目標(biāo)跟蹤方法將顏色作為主特征,邊緣梯度作為輔特征,充分利用這兩個(gè)特征加權(quán)直方圖的優(yōu)點(diǎn),提高了目標(biāo)跟蹤的魯棒性;且自適應(yīng)的更新粒子數(shù)目與直方圖能夠在保持算法跟蹤準(zhǔn)確性的基礎(chǔ)上,有效降低計(jì)算量,提高了目標(biāo)跟蹤的實(shí)時(shí)性。3.隨著高清智能視頻監(jiān)控系統(tǒng)的興起,傳統(tǒng)的視頻圖像處理平臺(tái)已無法滿足計(jì)算需求。考慮到FPGA單位時(shí)間內(nèi)高密度運(yùn)算能力強(qiáng)的特點(diǎn),本文提出利用FPGA實(shí)現(xiàn)改進(jìn)幀差法,其不僅占用的硬件資源少,且實(shí)時(shí)性也得到很大提升。
【關(guān)鍵詞】：智能視頻監(jiān)控 運(yùn)動(dòng)目標(biāo)檢測 運(yùn)動(dòng)目標(biāo)跟蹤 FPGA實(shí)現(xiàn)
【學(xué)位授予單位】：湖南師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TN948.6
【目錄】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 緒論11-18
• 1.1 智能視頻監(jiān)控技術(shù)應(yīng)用11-12
• 1.2 智能視頻監(jiān)控原理12-14
• 1.3 智能視頻監(jiān)控研究現(xiàn)狀14-16
• 1.4 主要工作與安排16-18
• 第二章 監(jiān)控圖像預(yù)處理18-27
• 2.1 圖像去噪18-22
• 2.1.1 噪聲模型18-20
• 2.1.2 去噪方法20-22
• 2.2 形態(tài)學(xué)處理22-25
• 2.2.1 腐蝕與膨脹22-23
• 2.2.2 開運(yùn)算與閉運(yùn)算23-25
• 2.3 圖像邊緣檢測25-26
• 2.4 本章小結(jié)26-27
• 第三章 運(yùn)動(dòng)目標(biāo)檢測方法研究27-41
• 3.1 常用運(yùn)動(dòng)目標(biāo)檢測算法27-30
• 3.1.1 相鄰幀差法28
• 3.1.2 光流法28-29
• 3.1.3 背景差法29-30
• 3.1.4 不同檢測方法的適用性分析30
• 3.2 改進(jìn)的運(yùn)動(dòng)目標(biāo)檢測算法30-37
• 3.2.1 改進(jìn)的幀差法30-33
• 3.2.2 自適應(yīng)混合高斯模型法33-35
• 3.2.3 融合改進(jìn)幀差法與自適應(yīng)混合高斯模型的目標(biāo)檢測方法35-37
• 3.3 實(shí)驗(yàn)結(jié)果與分析37-39
• 3.4 本章小結(jié)39-41
• 第四章 運(yùn)動(dòng)目標(biāo)跟蹤方法研究41-57
• 4.1 常用運(yùn)動(dòng)目標(biāo)跟蹤方法42-44
• 4.1.1 基于特征的目標(biāo)跟蹤方法42
• 4.1.2 基于活動(dòng)輪廓的目標(biāo)跟蹤方法42
• 4.1.3 基于模型的目標(biāo)跟蹤方法42-43
• 4.1.4 基于預(yù)測的目標(biāo)跟蹤方法43
• 4.1.5 不同跟蹤方法的適用性分析43-44
• 4.2 粒子濾波的基本原理44-49
• 4.2.1 離散貝葉斯濾波系統(tǒng)44-46
• 4.2.2 蒙特卡洛采樣(Monte Carlo Sampling)46
• 4.2.3 貝葉斯重要性采樣(Importance Sampling)46-48
• 4.2.4 粒子濾波的算法描述48-49
• 4.3 基于自適應(yīng)多特征融合的粒子濾波目標(biāo)跟蹤方法49-54
• 4.3.1 目標(biāo)特征選取49-52
• 4.3.2 距離度量52
• 4.3.3 跟蹤算法設(shè)計(jì)52-54
• 4.4 實(shí)驗(yàn)結(jié)果與分析54-56
• 4.5 本章小結(jié)56-57
• 第五章 基于FPGA的目標(biāo)檢測算法實(shí)現(xiàn)57-66
• 5.1 FPGA簡介57-59
• 5.2 FPGA實(shí)現(xiàn)改進(jìn)幀差法59-63
• 5.3 FPGA算法處理資源分析63-65
• 5.4 本章小結(jié)65-66
• 第六章 總結(jié)與展望66-68
• 6.1 本論文的主要內(nèi)容66-67
• 6.2 未來的工作展望67-68
• 參考文獻(xiàn)68-72
• 致謝72-74
• 攻讀碩士期間主要科研成果74-75

，

本文編號(hào)：673187