基于图像序列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的一个重要研究内容，它通过图像处理的方法对图像序列中的感兴趣目标进行提取，在智能视频监控系统等领域具有举足轻重的地位。主要有三大类方法：光流法、帧差法、背景建模法，其中基于背景建模法的运动目标检测主要通过两个步骤来实现：背景模型建立、背景模型更新，建模方式多种多样，背景模型的实时更新能够适应场景中的变化。这就使得背景建模法成为机器视觉领域的重要研究方向之一。　　如何排除现实环境中复杂的背景、动态噪声、光照变化等干扰，实现运动目标的鲁棒、快速的检测，一直是研究者们致力解决的问题。本文主要研究了视频序列中的运动目标检测技术。　　本文主要包括以下几个方面的工作：　　（1）研究了三类经典的目标检测方法：光流法、背景建模法及帧间差分法，针对背景差分法介绍了两种常见的背景建模方法。　　（2）对CP3(Co-occurrence Probability based Pixel Pairs)算法的原理进行了详细阐述，并对CP3算法的优缺点进行了分析。在不同场景的视频检测结果证明，CP3算法有效克服了光照突变、背景晃动等现象，与高斯混合建模GMM(Gaussian Mixtu re Model)算法相比，具有更高的检测准确度和鲁棒性。　　（3）鉴于CP3算法的计算量大、实时性差，运动目标遮挡检测不完全等问题提出了一种融合SLIC(Simple Linear Iterative Cluster)超像素和CP3算法的运动目标检测方法(CPS，Co-occurrence Probability based Super Pixel Pairs)。该算法首先利用S LIC(Simple Linear Iterative Clustering)算法将当前帧分割为超像素集合，并对线性相关超像素对的亮度增量差进行了单高斯建模，构建线性相关背景模型。研究超像素分块个数M对目标检测效果的影响，确定了分块个数M的最佳取值；研究关系紧密像素点Q的个数K的选取对目标检测结果影响，确定了参数K的最佳取值。　　（4）将本文改进算法与GMM算法及CP3算法进行定性和定量的对比。实验结果证明，本文改进算法有助于迅速发现并捕捉到较为完整的感兴趣目标，且算法能够有效处理目标的间歇性缓慢运动问题，并且对于遮挡运动目标的检测较为完整；改进算法大幅缩减了建模时间，使运行速度提高了3倍，对遮挡也有较好的鲁棒性，使目标检测Precision指标提高了2.7％，Recall指标提高了7.4%，综合指标F-measure提高了5.2%。

目录

声明

1 绪 论

1.1 课题的研究背景及意义

1.2 国内外研究现状

1.3 运动目标检测存在的问题

1.4 论文的主要工作及内容安排

2 运动目标检测算法

2.1 经典运动目标检测算法

2.2 基于高斯模型的背景建模算法

2.3 本章小结

3 CP3算法的运动目标检测

3.1 引言

3.2 CP3背景建模基本原理

3.3 CP3算法运动目标检测

3.4 实验分析

3.5 本章小结

4 基于SLIC和CP3算法的运动目标提取

4.1 引言

4.2 SLIC超像素分割算法

4.3 融合SLIC与CP3的运动目标目标检测

4.4 运动目标检测评价指标

4.5 实验结果比较与分析

4.6 本章小结

5 总结与展望

5.1 本文结论

5.2 未来展望

致谢

参考文献

个人简历、在学期间发表的学术论文及取得的研究成果