基于参数统计模型的视频运动目标检测

摘要

一个典型的视频处理过程需要完成对视频运动对象的分割、跟踪和识别，而视频运动对象分割被认为是处理过程中最为关键的一步。由于视频图像的复杂性与多变性，使得运动对象的检测与分割成为视频图像处理中同时也是最具挑战性的一项技术。运动对象的检测与分割，顾名思义就是一种从视频图像中检索出包含位置、方向、大小和形状信息的感兴趣的对象的任务。然而由于像背景突变和连续光照的变化、在背景中投射出前景对象的阴影，或者静止物体重复的动作，比如树枝的晃动等一系列的问题，使得研究人员很难找到一个既有低复杂度又能够处理所有的意外情况的方法，并且得到完美的结果，同时还能保证效率高、鲁棒性强。针对上述问题，本文从两方面着手进行了研究，一是结合多水平集模型和C-V活动轮廓模型算法改进的基于目标轮廓特征检测算法以及基于目标所在区域特征检测的随机逼近方法算法。针对不同背景，前景复杂度的视频序列进行了研究，着重提高算法对不同视频序列的自适应性、精确度等，主要完成了对多运动目标的视频序列的检测。
　　本论文主要研究内容如下:
　　(1)针对现有的目标轮廓提取算法存在收敛速度慢、效率较低的问题，提出了一种结合差分相乘和多水平集下的C-V活动轮廓模型结合的新算法。该方法首先利用四帧相邻图像差分相乘抑制绝大部分的背景边缘，然后通过改进参数后的多水平集和C-V模型相结合的算法提取运动目标轮廓。实验结果表明，该方法在简单视频背景中具有多个目标下能够更加快速准确提取出每个完整的运动目标轮廓，较好的解决了现有算法在多个运动目标轮廓提取的缺陷。
　　(2)针对复杂背景中普遍的基于对角协方差矩阵高斯建模的缺陷，而且总是需要进行预处理的繁琐性，本文提出了一个基于混合的全阶协方差矩阵的均匀分布与高斯分布相结合的算法——AE随机逼近法。该模型能很好的处理动态背景和复杂的前景，一个关键的优势在于它是实时来处理输入样本（实时更新）。实验结果证明该方法很大程度上减小了算法复杂度，并且分割效果由于其他的典型算法。

目录

致谢

摘要

1 绪论

1．1 研究背景及意义

1．2 研究现状

1．3 论文结构

2 相关理论基础

2．1 水平集算法

2．2 Chan-Vese模型

2．2．1 Chan-Vese模型定义

2．2．2 数学近似

2．3 Expectation-Maximization算法

2．4 Robbins-Monro算法

2．4．1．1 随机逼近原理

2．4．2 Robbins-Monro函数定义

3 水平集理论

3．1 水平集函数的定义

3．2 水平集曲线的演化

3．3 多水平集框架模型

3．4 多水平集理论与图像分割的融合

3．5 本章小结

4 基于差分相乘和多水平集改进的运动目标轮廓提取

4．1 四帧相邻差分相乘法

4．2 基于自适应中值的图像滤波去噪

4．3 能量参数λ的统计分析及设定

4．4 基于区域多水平集的活动轮廓模型建立

4．5 仿真结果分析

4．6 本章小结

5 背景建模中的随机逼近算法

5．1 背景建模

5．2 基于混合的全阶协方差矩阵的AE随机逼近模型

5．2．1 AE随机逼近模型定义

5．2．2 基于像素的量化噪声估计

5．2．3 基于时变性质的背景突变检测

5．2．4 AE随机逼近模型的初始化和实现

5．3 实验仿真结果与分析

5．3．1 定性结果分析

5．3．2 AE模型的步长因子统计选择和性能评价

5．3．3 定量结果分析

5．3．4 AE随机逼近模型的优势与应用前景

5．4 本章小结

6 总结与展望

6．1 本文工作总结

6．2 展望

参考文献

图索引

表索引

作者简历

声明

学位论文数据集