基于独立分量分析的运动目标检测研究

摘要

视频运动目标检测是智能监控、运动图像分析、人机交互技术中的重要一环。通过目标检测找到图像序列中的运动信息，并对这些运动目标进行定位，可以为后续的运动跟踪识别与分析奠定基础；简化难度。运动目标检测一般在动态背景和静态背景两种情况下进行，本文的研究对象是静态背景下的运动目标检测。目前国内外学者的研究集点主要集中在研究一种鲁棒性好、稳定可靠的运动目标检测算法。传统的目标检测方法主要有帧差法、背景减除法和光流法，这些方法各有优缺点，适用范围都受到一定的限制。
　　 本文采用的基于独立分量分析(Independent Component Analysis，ICA)的运动目标检测方法把运动目标和静止背景看作是两个独立的源信号，用极大化非高斯性的估计方法对观测信号进行ICA分离，从而检测出运动目标。这种方法在噪声复杂的环境中依然适用，体现了强大的鲁棒性和稳定性。视频运动目标检测系统不仅要求能检测到运动目标，还要对目标进行定位。在噪声复杂的情况下，用本文检测方法得到的前景图像含有大量噪声。这些噪声除了简单的乘性噪声和加性噪声的叠加之外，还有很多计算引入的噪声。如果不将这些噪声去除，将给目标定位带来极大的困难。目前常用的去噪方法有中值滤波、小波去噪、形态学滤波以及基于边缘提取的分割去噪等。这些方法用在本文中效果很不明显，因此本文从噪声来源出发，提出了一种基于图像分割与中值滤波相结合的去噪方法，并通过实验证明这种方法用于本文有明显的效果。

目录

文摘

英文文摘

第1章 绪论

1.1 课题研究的目的及意义

1.2 国内外研究现状

1.3 本文的主要内容及结构

第2章 背景的建立与更新

2.1 背景的建立

2.1.1 传统的多帧图像平均法

2.1.2 改进后的平均法

2.1.3 实验结果

2.2 背景的更新

2.2.1 本文采用的背景更新算法

2.2.2 光线变化情况下背景的更新

2.3 本章小结

第3章 独立分量分析方法检测运动目标

3.1 引言

3.2 独立分量分析算法

3.2.1 独立分量分析的模型

3.2.2 ICA的约束

3.2.3 ICA的预处理

3.2.4 ICA的估计方法

3.2.5 非高斯性的度量

3.2.6 快速独立分量分析

3.3 ICA运动目标检测模型

3.3.1 ICA目标检测模型的建立

3.3.2 ICA目标检测方法的优越性

3.4 本章小结

第4章 前景图像去噪

4.1 引言

4.2 经典的图像去噪算法

4.2.1 中值滤波

4.2.2 小波图像去噪

4.3 本文采用的去噪方法

4.3.1 噪声来源分析

4.3.2 前景图像去噪的实现

4.4 去噪结果分析

4.5 本章小结

结论

参考文献

攻读硕士期间发表的学术论文

致谢