基于形状识别的运动物体检测

摘要

运动检测作为视频监控的一个基础，经过几十年的发展，主要有三种方法，即帧间差分法、背景减除法和光流法。帧间差分法法适用于背景动态变化的场景，其缺点往往只能提取部分的运动物体，并不能检测完整的运动区域。背景减除虽然能够得到完整的运动区域，但是其往往容易受到光照变化、复杂的运动对象（树叶等）而产生误检测，往往需要对该算法的背景模型进行改进，如单高斯模型、混合高斯模型、隐马尔科夫模型等。光流法能够很好的检测运动对象，但是其计算复杂性往往比前两者更高，不适用于计算性能有限的平台。H.264视频编码标准是几十年提出来的编码标准，在各行各业已经得到广泛应用，与之前的编码标准相比有很多的优点，其中用运动矢量表示宏块在前后帧的运动方向，虽然不能完全反应物体的运动。但是这为视频运动检测提供了方便，而运动检测是视频监控的基础。图像处理中，描述二维形状的方法很多，例如简单标量（欧拉数、伸长度、凹凸性等），另外还有常用的矩不变量、ShapeContext等。
　　本文使用矩不变量描述形状，其计算过程相对于ShapeContext简单，但是不如ShapeContext更能描述形状之间的相似性。马尔科夫随机场（MRF）以条件概率的形式来描述图像数据，Hammersley和Clifford于1971年证明了MRF和Gibbs分布的等价性。目前MRF已经得到广泛应用，特别是其在图像分割方面的应用。本文主要面向H.264编码的视频进行运动检测。首先从视频码流中获取运动矢量，将获得的运动矢量建立MRF运动分割模型，求解该模型时，本文采用聚类分析来优化标准的ICM算法。求解模型的得到运动目标。得到运动目标之后，使用矩不变量作为形状描述符，配合KNN最近邻规则来实现运动目标的判断，是否为要检测的目标。最后的实验表明，本文的算法相对于背景减除法、帧间差分法、光流法等像素级别的运动检测方法时间复杂度较低，由于采用了KNN算法来消除或者降低矩不变量的误差，能够满足高清视频监控的实时性。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1课题背景与意义

1.2图像、视频分析技术的发展

1.3论文的主要内容以及各章节安排

2 相关技术简介

2.1视频监控发展趋势

2.2视频压缩编码技术H.264

2.3运动检测方法

2.4本章小结

3 MRF运动分割

3.1马尔科夫随机场介绍

3.2基于形状识别图形

3.3识别形状的分类算法

3.4本章小结

4 基于MRF的运动检测算法

4.1运动分割流程

4.2 MRF分割模型

4.3对分割结果进一步识别

4.4本章小结

5 算法的仿真实验

5.1实验准备

5.2实验结果

5.3本章小结

6 总结与展望

6.1总结

6.2展望

参考文献

致谢

个人简历及发表论文情况