视频序列中运动目标检测技术的研究原文链接:http://www.51jrft.com/dzxx/dzkxyjs/589.html
相对于国外，我国对于视频监控技术的研究起步较晚，但也取得了一些成果。中科院自动化所模式识别国家重点实验室视觉监控小组总结了英国雷丁大学VIEWS车辆交通监控原型系统的研究经验，在其理论研究基础上，自行设计了一个拥有完全自主版权的交通监控原型系统(Vstar Visual Surveillance Star)[2]。该系统能够在一台PC机上实时地跟踪车辆，对光线变化，无关结构的斑马线干扰，边界遮挡具有较强的鲁棒性。我国已经在北京成功举办了三次“智能视觉监控学术会议”，为国内的研究人员提供了一个良好的交流平台，通过举办学术会议，来自全国各地的研究人员深入全面的讨论关于视频监控理论，算法，实际应用等许多方面的研究，这对国内的智能视频监控技术的发展起到了促进鼓舞作用。与此同时，清华、北大、上海交大以及北京理工大学等许多高等学府以及科学研究机构都在进行相关方面的研究。
针对静态场景下的运动目标检测，实现了基于混合高斯模型的运动目标检测，并针对经典模型对突发运动和光线突变响应速度慢的问题采用了一种改进算法，将前景区域分成运动目标区和误检区，并为误检区赋予较大的更新速率，实验表明该算法可以有效的改善原有混合高斯模型响应场景突变慢的问题。 _HM000096
针对动态场景中的运动目标检测，采用了基于特征匹配的全局运动估计算法。为了准确估计运动模型的参数，采用了SIFT算子、最小二乘法，由于该算法采用了六参数仿射模型，因此，可以适用于移动、旋转、缩放等全局运动模式，从而具有普适性。
关键词：运动目标检测；混合高斯模型；特征匹配；运动估计与补偿
第一章 绪论
1.1 课题的研究背景和意义
人类对于外界信息的认识大部分都是通过眼睛来获取的，视觉是人类认识世界和感知周围复杂环境的最重要的手段。在现实生活中，视觉信息是最直观的信息表达形式，可以快速的、形象的对客观事物进行描述，其具有独特的空间特性和结构特性，使其不能为其它任何信息所代替。随着计算机技术、通信技术和视频技术的不断发展，计算机视觉[1]学科应运而生。计算机视觉相关的理论和技术的研究，目的是研究怎样用计算机来代替人眼及人脑对外界环境进行感知、识别、描述和理解的功能。
视频监控作为计算机视觉技术的最为广泛的一种应用形式，视频监控以其直观简单、数据量大，在过去几十年中得到了广泛的应用。视频监控系统，按照发展阶段大致可以分为三个阶段：模拟视频监控系统；数字视频监控系统；智能视频监控系统。智能视频监控是指在不需要人为干预的情况下，利用计算机视觉和视频分析的方法对图像传感器拍录到实际环境中的运动目标进行实时的观察与自动分析，实现对场景中目标的检测、识别和跟踪，并在此基础上分析和判断监控场景中目标的活动，理解和描述目标的各自行为和相互间行为，从而使视频监控系统具有像人一样的智能。其核心是目标的自动提取、跟踪和事件的检测。智能视频监控是视频监控的发展方向，其关键技术包括摄像头标定、多摄像头融合、运动目标检测、识别、目标跟踪、目标分类和行为理解描述等方面。其中运动目标检测处于整个视频监控系统的最底层，是各种后续处理的基础。
运动目标检测的目的就是在连续视频图像中准确无误地把运动物体视频中检测出来。通常情况下，人们只对运动的物体或目标感兴趣。所以，准确无误地获得目标的动态信息，对后续目标识别、跟踪、行为理解及其描述具有重要意义。人们对视频监控系统的需求越来越迫切，作为视频监控系统中一个重要组成部分，运动目标检测也受到了越来越多的关注。目前，运动目标检测在军事技术、机器人视觉导航智能监视系统、交通检测、医学图像处理、视频图像压缩和传输、虚拟现实等领域有着重要的实用价值和广阔的发展前景。
视频运动分析发展到现在，出现了非常多运动目标检测的算法，现有的目标检测算法虽然能够完成对运动目标的可靠检测，但是大部分都存在处理数量大、运算复杂、存储量大，很难满足实时和小存储量的要求。所以，研究一种实时性好，精确度高，鲁棒性好，高性能的运动目标检测算法仍然是一个富有挑战性的课题，在民用领域有着重要的现实价值和意义。
1.2 研究现状
通过几十年的发展，国际上视频监控技术己经在诸多领域内取得了丰硕的研究成果。1997年美国国防高级研究项目署(DARPA)设立了以卡内基梅隆大学为首，联合美国十几家高等院校和研究机构参加的视频监控重大项目VSAM(Visual Surveillance And Monitoring)，旨在实现通过协同多传感器监视对战场预警提供支持，最后研发出一种用于战场及普通民用场景进行监控的自动视频理解技术。英国的雷丁大学(University of Reading)开展了对车辆和行人的跟踪及其交互作用识别的研究，该项目采用了比较原始的方法识别图像，比如将低且长的可移动物体识别为“汽车”，将高且瘦的识别为“人”。佛罗里达中央大学(University of Central Florida)的KNIGHT智能监控系统利用计算机视觉技术能检测出监视区域目标的变化，并能标注重要事件和描述人的行为，该系统对光线的变化有较好的鲁棒性。Maryland大学适时视觉监控系统W4(Who When Where What)的研究成果更好地实现了运动目标的识别与跟踪。
1.3 本文研究内容及章节安排
1.3.1 本文主要研究内容
本文主要研究在静态背景和动态背景情况下的运动目标检测算法。本文的主要研究工作如下：
首先介绍了图像处理相关知识，在图像预处理方面，介绍了图像去噪方面的知识；在图像后处理方面主要介绍了形态学处理，涉及腐蚀、膨胀以及开闭运算。
详细描述了三种典型的运动目标检测算法：帧间差分法、背景差分法、光流法；并探讨了三种算法的优缺点及适用环境。
研究了基于混合高斯模型的背景建模，实现背景更新，从而有效地进行目标检测。
研究了动态场景下的视频序列的运动目标检测方法，以满足摄像头运动条件下的应用需要。该部分的研究主要涉及全局运动估计与补偿、目标特征提取等方面的工作。
1.3.2 本文章节安排
本论文的结构安排如下：
第一章 主要介绍了课题的研究背景和意义，国内外研究现状与本文的主要研究内容及章节安排。
第二章 主要介绍了目标检测的图像预处理和后处理，结合本文的主要研究内容，在图像预处理部分主要探讨的是图像去噪，包括三种常用的图像去噪方法:均值滤波、中值滤波和高斯滤波。在后处理部分分析探讨了形态学处理的基本算法：腐蚀与膨胀和开闭运算。
第三章 运动目标检测算法的研究，主要探讨了三种典型的运动目标检测算法：光流法，帧间差分法和背景差分法，并且对三种方法的特点进行了分析比较。
第四章 基于高斯模型的运动目标检测。分析比较了单高斯模型和混合高斯模型两种背景建模方法。详细介绍了混合高斯模型的原理，分析了模型参数对检测结果的影响，采用了一种混合高斯模型的改进算法，有效的改善了模型的性能。
第五章 研究了一种基于特征匹配的目标检测算法,该方法可以适用于摄像头运动的情况，实现对具有平移、旋转及缩放的动态场景条件下的运动目标检测。
第六章 对本文进行总结与展望。
摘要 I
ABSTRACT II
第一章 绪论 1
1.1 课题的研究背景和意义 1
1.2 研究现状 2
1.3 本文研究内容及章节安排 2
1.3.1 本文主要研究内容 2
1.3.2 本文章节安排 3
第二章 视频序列图像预处理和后处理技术 4
2.1 图像预处理 4
2.1.1 均值滤波 4
2.1.2中值滤波 5
2.1.3 高斯滤波 5
2.2 图像后处理 5
2.2.1 膨胀与腐蚀 6
2.2.2 开运算与闭运算 7
2.3 本章小结 7
第三章 运动目标检测技术研究与分析 8
3.1 帧间差分法 8
3.1.1 基本算法 8
3.1.2 实验结果与分析 9
3.2 背景差分法 10
3.2.1 基本算法 10
3.2.2 实验结果与分析 11
3.3 光流法 12
3.3.1 基本算法 12
3.3.2 实验结果与分析 13
3.4 本章小结 14
第四章 基于高斯模型的背景差分法研究及改进 15
4.1 高斯背景模型 15
4.2 混合高斯背景模型的研究分析 16
4.2.1 混合高斯模型的构建 17
4.2.2 混合高斯模型的参数初始化 18
4.2.3 混合高斯模型的参数更新 19
4.2.4 目标检测 20
4.3 混合高斯模型参数的选取实验分析 20
4.3.1 高斯分布数目对系统性能的影响 21
4.3.2 更新速率对系统性能的影响 21
4.3.3 阈值对系统性能的影响 23
4.4 对混合高斯模型的改进 23
4.4.1 混合高斯模型的不足 23
4.4.2 针对突发运动的算法改进 24
4.4.3 实验结果与分析 24
4.5 本章小结 25
第五章 基于特征匹配的目标检测研究与分析 26
5.1 特征点的提取及匹配 26
5.1.1 尺度空间的建立 27
5.1.2空间的极值点的检测以及位置的确定 28
5.1.3 特征点梯度及主方向的计算 29
5.1.4 特征向量的生成及匹配 30
5.2 全局运动补偿 31
5.3 本章小结 31
第六章 总结与展望 33
6.1 总结 33
6.2 展望 34
致谢 35
参考文献 36
附录 38
附录一：英文文献 38
附录二：中文翻译50
网友评论