单高斯背景模型运动目标检测算法的研究改进

摘要

随着机器视觉、人工智能技术的不断进步，智能监控成为了人们研究的焦点。现在，智能化的视频监控已被应用在各大公共场合以及需要重点监视的区域。智能监控系统主要实现以下4个功能:目标检测、目标识别、目标跟踪以及目标行为的判别。在以上几个方面中，目标检测是其余部分的基础，其检测效果的优劣直接关系到相关部分的处理结果。因此，很多研究员在这一领域进行了深入的探讨，并且提出了许多检测效果较好，可行性较高的算法。
　　目前，运动目标检测技术大致可分为以下4类:背景模型法、帧差法、核密度估计以及光流法。本文针对静态场景下三种实用性较高的算法:背景模型法、帧差法、非参数估计进行了研究分析。并针对背景模型法中传统单高斯背景模型存在的背景模型不能很好地自适应背景变化，目标检测不完整的问题，提出一种改进的单高斯背景模型运动目标检测算法。该方法结合单高斯模型算法和均值漂移原理对运动目标进行检测。取前N帧视频样本的均值作为初始背景模型。对当前帧图像进行运动目标的初检测，采用单高斯模型算法更新原理用当前帧图像对检测为背景的点进行背景模型更新，对更新后的背景模型中不属于背景点的像素点通过均值漂移进行修正。将经过均值漂移修正后得到的模型作为最终的背景模型，再通过背景差分法最终获取运动目标。实验表明:改进的算法能很好地克服背景模型不能自适应背景变化的缺点，目标检测完整度比传统的单高斯模型高。

目录

声明

摘要

1 绪论

1．1 课题的研究背景和意义

1．2 国内外发展现状

1．3 本文主要工作和组织结构

2 运动目标检测算法研究分析

2．1 帧差法

2．1．1 帧差法原理

2．1．2 基于MHI的运动目标检测算法

2．2 核密度估计算法

2．2．1 核密度估计原理及推导

2．2．2 基于核密度估计的运动目标检测算法

2．2．3 核带宽的估计

2．3 混合高斯背景模型

2．4 本章小结

3 单高斯背景模型的研究分析

3．1 单高斯背景原理

3．2 单高斯背景模型下运动目标检测的实验效果及实时性

3．2．1 单高斯背景模型下运动目标检测的实验效果

3．2．2 实时性的分析

3．3 针对单高斯背景模型的上述不足之处的分析

3．4 本章小结

4 基于mean shift的改进的单高斯背景模型算法

4．1 mean shift算法原理

4．2 基于mean shift算法的改进的单高斯背景模型

4．2．1 改进的单高斯背景模型的算法步骤与流程图

4．2．2 实验结果及分析

4．3 本章小结

5 本文算法与其他运动目标检测算法的对比

5．1 本文算法与MHI算法的对比

5．1．1 检测效果的对比

5．1．2 实时性的对比

5．2 本文算法与混合高斯背景模型算法的对比

5．2．1 检测效果的对比

5．2．2 本文算法与混合高斯模型算法实时性的对比

5．3 本文算法与核密度算法检测效果的对比

5．3．1 检测效果的对比

5．3．2 本文算法与核密度估计算法在实时性方面的对比

5．4 本章小结

6 总结和展望

致谢

参考文献

附录