基于自适应高斯混合模型的运动检测算法研究

摘要

在智能视频监控、运动分析、人机接口的姿态识别等应用中，一个基础而又关键的任务是从视频序列中实时检测出运动目标。对于固定摄像头监控系统，混合高斯法是最成功的运动检测方法之一。混合高斯法主要涉及到三方面：混合高斯模型学习、模型分类和运动检测，经典混合高斯法在这些方面都做了非常了不起的开创性工作，在应用中取得很大的成功。但经典方法也存在一些不足之处，本文在研究经典算法的基础上提出部分改进，开展了如下研究工作： (1)在线模型学习是该方法的要点所在。经典在线模型学习方法，模型收敛比较慢。本文通过研究，发现对于均值和方差，两者的在线学习过程有着本质差别。基于这一点本文提出：均值与方差采用不同的学习率，其中均值更新采用自适应的学习率，方差的学习率采用固定值。该方法提高了模型的收敛速度，同时保证了学习系统的稳定性。 (2)决定哪些模型是背景，是一个启发式问题，如何正确地定义背景并有效地表达背景是一个难点问题。由于场景的复杂性，经典方法在繁忙场景下，运动物体大而慢时，运动目标检测的效果不理想。本文在考虑更多的时间相关性基础上，针对模型分类，提出“权值均值”概念，然后结合权值进行像素点的前景和背景分类。该方法为模型分类提供了更多信息量，有效地提高了运动目标的检测能力。 (3)运动检测是算法的最终目的。由于经典算法在匹配阈值上，局限于单像素点的考虑，难以获取完整目标。本文在研究PCNN算法基础上，提出了自适应局部阈值算法；其次，改进方法结合区域增长思想，利用PCNN的迭代计算，逐步检测出运动目标。该方法能进一步改善运动检测效果，使系统获得完整运动目标。 通过以上改进和逐步完善，本文的这种目标检测方法的特点是：相对传统经典方法，模型学习速度更快，获得的参数更准确，同时提高了运动检测能力。

目录

文摘

英文文摘

声明

第一章绪论

1.1研究背景

1.2研究进展

1.2研究内容与论文安排

第二章经典的自适应高斯混合背景模型运动检测方法

2.1方法概述

2.2模型在线学习方法

2.3背景分类和识别

第三章模型学习方法研究

3.1模型学习方法分析

3.2改进算法

3.3实验仿真结果及分析

3.3总结

第四章模型分类方法研究

4.1模型分类方法分析

4.2本文算法

4.3本文的算法优点分析

4.3算法仿真结果及分析

4.4总结

第五章运动检测方法研究

5.1运动检测方法分析

5.2脉冲耦合神经网络算法介绍

5.3改进方法

5.4算法实验仿真及分析

5.4本章总结

第六章总结与展望

参考文献

在读期间所做论文

致谢