复杂场景中运动目标的稳健检测与跟踪

摘要

运动目标检测是计算机视觉应用中关键技术之一，其核心在于对背景的建模，背景模型又可以分为概率模型和编码模型两类。传统检测算法所假设的背景模型大多具有能量有限的特点，在面对诸如室内开关灯、夜间汽车大灯扫过的光晕等复杂背景时，采用要么保留原有的背景模型，通过学习机制缓慢学习，要么丢弃已有模型重新学习的策略。然而，复杂场景的持续时间并非依靠先验可以获得，因此面对复杂场景，策略的选择面临巨大的挑战。本论文用能量无限的Alpha稳定分布构建背景模型，针对复杂场景，特别是场景亮度存在巨大变化时，模型可以在瞬间自适应调节判决门限，从而确保在短时间内的稳定检测，然后可以随时间的累积，通过参数的自适应更新学习适应变化后的背景模型。
　　论文的主要研究成果包括：
　　1)复杂场景及其增量的统计特性分析。针对复杂应用场景，分析了多种典型的复杂背景及其对应增量的统计特性；分析表明能量无限的Alpha稳定分布能够较好的描述复杂背景增量统计特性，特别是持续时间未知的光照变化。进一步采用多高斯分布拟合Alpha稳定分布模型。
　　2)背景增量模型参数的实时更新。针对复杂背景的增量，首先对多个高斯设定不同的初始参数值，使得该组高斯模型叠加后逼近能量无限模型。进一步给出了针对增量的多高斯模型在线参数更新方法。最后，依据二元检测理论，依据给定的虚警率，自适应确定相应的判决门限。
　　3)建立了基于检测结果的启发式跟踪方法。根据稳健的运动检测结果，利用前景分割技术对运动目标实现了实时分割与跟踪。开发出了完整的ViewLab运动检测系统。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究背景及意义

1.2 国内外研究现状

1.3 本文研究内容及关键问题

1.4 论文结构安排

第二章 复杂场景及其增量的统计特性

2.1 引言

2.2 复杂场景的定义

2.3 复杂场景及其增量的统计分析

2.4 统计模型学习方式的分类

2.5 本章小结

第三章 复杂背景模型的在线学习方法

3.1 引言

3.2 Alpha稳定分布模型理论

3.3 复杂背景模型的在线学习方法

3.4 算法实验分析

3.5 本章小结

第四章 基于运动检测的跟踪算法

4.1 引言

4.2 基于运动检测的前景分割算法

4.3 算法实验分析

4.4 系统流程框图及应用界面

4.5 本章小结

第五章 总结与展望

5.1 本文总结

5.2 未来展望

参考文献

致谢

攻读硕士学位期间发表的论文及专利

攻读硕士学位期间参与的项目及获奖情况