复杂场景下的运动目标检测算法研究

摘要

运动目标检测是计算机视觉领域中一个重要的研究课题，也是很多视觉应用系统的关键组成部分，如智能视频监控、视觉导航、视频压缩编码等。运动目标检测作为一个应用价值很高的研究课题，近年来受到越来越多的关注。很多新的方法被提出并应用于视觉系统中，但目前的运动目标检测方法大都只适用于特定的应用场景。如何在复杂场景下有效的进行运动目标检测仍然是个很有挑战性的问题。
　　复杂场景中系统获取视频的背景不断变化，给运动目标的分割带来很大的困难。无论是静态场景中光照变化、树叶等微动，还是动态场景中摄像机的移动都是研究人员在进行运动目标检测时要重点要解决的问题。本文对复杂场景下静态背景与动态背景中运动目标检测算法进行研究，主要工作如下:
　　1)本文首先对各种常见运动目标检测算法分别进行了研究总结，给出这些算法的理论分析与实验结果。梳理包括静态背景和动态背景下各种算法的优缺点，并对目前这些算法的改进热点进行讨论。
　　2)在对静态背景下的各种运动目标检测算法对比分析后，针对高斯背景建模法，提出一种基于分块模型更新的单高斯背景建模新方法，新方法将视频图像划分为多个区块，并对块内的像素进行统一建模，以替代传统高斯建模法中对单像素点的建模统计。由于对区块内像素进行平均得出的数值更符合高斯分布特性，使得估计出的模型更有利于发挥单高斯建模方法的优势，因此增强了算法应对复杂背景的能力，同时分块建模也有效降低了算法复杂性。
　　3)关于动态背景下的各种运动目标检测算法，本文主要研究了基于运动补偿方法中的全局运动估计法。分别对基于全像素点的全局运动估计方法与基于运动矢量的全局运动估计方法做出理论分析与实验验证。并在分析实验结果的过程中，讨论无效的矢量采样即“奇异矢量”对基于运动矢量的估计方法实验结果造成的影响。
　　4)针对奇异矢量会影响全局运动估计法效果的问题，本文使用一种结合角点检测和k-means算法的改进方法。该方法首先使用角点检测算法选出图像中细节比较丰富的区域代替传统算法中对图像平均分块的策略，使得块匹配算法失准率降低，减少了与背景运动不相符的奇异矢量的产生。其次对角点检测选出的运动矢量使用k-means算法进行聚类，将个体数目较多的群落定为符合背景运动的矢量。从而排除由运动目标产生的运动矢量的影响，进一步减少奇异矢量，提高了全局运动估计法的检测效果。

目录

声明

摘要

第一章 绪论

1．1 研究课题的背景与意义

1．2 课题研究现状

1．2．1 静态背景下的运动目标检测方法

1．2．2 动态背景下的运动目标检测方法

1．3 论文的主要工作与章节安排

1．3．1 论文的主要工作

1．3．2 章节安排

第二章 复杂场景中静态背景下的目标检测算法研究

2．1 帧间差分法

2．2 背景差分法

2．2．1 单高斯背景建模算法

2．3 改进单高斯背景建模法

2．4 实验结果分析

2．5 本章总结

第三章 基于全局运动估计的运动目标检测算法研究

3．1 全局运动估计法的基本思想

3．2 经典运动参数模型

3．2．1 投影模型

3．2．2 基于透视投影的八参数模型

3．2．3 基于透视投影的四参数模型

3．2．4 基于正交投影的六参数模型

3．2．5 其他运动参数模型

3．3 基于全像素点的参数估计

3．3．1 基于全像素点的参数估计方法原理

3．3．2 基于全像素点的参数估计方法实验结果

3．4 基于运动矢量的估计方法

3．4．1 基于运动矢量估计方法的基本原理

3．4．2 基于块匹配的运动矢量求解

3．4．3 基于运动矢量估计方法的实验结果

3．5 本章总结

第四章 基于奇异运动矢量分析的全局运动估计算法

4．1 奇异运动矢量产生原因分析与消除方法

4．2 基于Harris角点检测的宏块筛选方法

4．2．1 Harris角点检测的基本原理

4．2．2 基于Harris角点检测进行宏块筛选

4．2．3 基于Harris角点检测进行宏块筛选实验结果

4．3 基于K-means聚类的奇异运动矢量剔除方法

4．3．1 K-means聚类算法基本原理

4．3．2 使用K-means算法对运动矢量场进行聚类

4．4 实验结果与分析

4．5 本章总结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

附图

附表

致谢

攻读硕士学位期间参与的科研项目以及发表的论文

学习与研究简历