新一代智能视频分析系统中目标提取算法的研究与实现

摘要

随着生活水平的提高，人们对安全防范的要求也逐渐升高。在众多的安防产品中，智能视频监控系统以它得天独厚的优势迅速发展。广泛的应用前景和巨大的商业需求，使它逐渐成为国内外的研究热点。
　　 作为网络时代的产物，新一代智能视频分析系统摆脱了地域的限制，以更快捷的速度、更智能的方式为用户提供有用信息。视频分析算法决定了这类系统的智能化程度，扮演着极其重要的角色。通常，智能视频分析算法主要包括目标提取、目标识别、目标跟踪以及行为识别等算法。运动目标提取是整个智能分析系统的基石，它的优劣直接影响着后续算法的性能。但是，由于受环境等因素的影响，目标提取一直都是非常富有挑战性的工作。
　　 目前，大多数智能视频分析系统都采用减背景法进行目标提取。作为减背景法的典型代表，混合高斯模型法已经被广泛地应用到了实际中。该方法不但可以适应环境的缓慢变化，而且能够可靠地处理树叶晃动、旗帜飘扬等因素的影响。然而，仅仅依靠时域信息并不能获得很好的检测效果。于是，一些基于空域信息的图像分割法(如图割法、种子区域生长法等)被引入进来以提高目标提取的准确性，它们在不同的应用场景表现出了不同的优势。实验证明，使用自适应阈值对混合高斯模型进行改进，能够改善目标被检测成为多个区域(“过分分割”)的现象，在性能和效率上获得很好的折衷。
　　 将改进后的算法应用于智能视频分析系统的必要步骤还包括算法的实现和优化。较算法的实现而言，优化工作更加繁琐复杂。算法的优化策略多种多样，总结起来可以分为物理级、算法级、程序级和代码级四个层次。通常，好的优化策略需要结合算法本身以及硬件资源的特点进行。所以，对算法的了解，对硬件的熟悉，对工具的掌握都是做好优化工作的必要条件。

目录

文摘

英文文摘

论文说明：图表目录、缩略词表

声明

第一章绪论

1.1研究背景及现状

1.1.1研究背景

1.1.2研究现状

1.2研究内容及结构安排

1.2.1研究内容

1.2.2论文结构

第二章运动目标提取简介

2.1运动目标提取的难点

2.2运动目标提取算法

2.2.1运动目标提取算法的分类

2.2.2运动目标提取算法的选择

2.3减背景法的原理

第三章基于MOG的运动目标提取算法研究

3.1混合高斯模型算法简介

3.1.1模型的描述形式

3.1.2模型的工作过程

3.1.3模型的参数分析

3.1.4模型的优缺点

3.2混合高斯模型算法改进

3.2.1算法改进-概述

3.2.2算法改进-空域信息的利用

3.3仿真结果与数据分析

3.3.1实验结果定性分析

3.3.2实验结果定量分析

3.3.3实验结论

第四章基于MOG的运动目标提取算法的实时实现

4.1系统简介

4.2运动目标提取算法的实现

4.2.1背景介绍

4.2.2算法实现

4.2.3实现结果

4.3运动目标提取算法的优化

4.3.1物理级别的优化

4.3.2算法级别的优化

4.3.3程序级别的优化

4.3.4代码级别的优化

4.4结果评估

4.4.1优化结果分析

4.4.2实时检测结果

第五章总结与展望

5.1工作总结

5.2工作展望

致谢

参考文献

攻读硕士学位期间的研究成果