視頻序列中運動目標的檢測與跟蹤算法研究.pdf

1、目前，隨著智能算法的不斷發(fā)展，智能交通監(jiān)控系統(tǒng)已日漸引起了人們的關注，但該技術目前尚未發(fā)展成熟，離完全智能化的水平還有很長一段距離，但人們熱切地希望智能交通技術可以為各個城市營造暢通而有序的交通環(huán)境，并能減少交通事故的發(fā)生。作為智能交通監(jiān)控系統(tǒng)的前提和基礎，運動目標檢測與跟蹤成為了學術界的研究熱點。因此，本文就視頻序列中運動目標檢測與跟蹤的相關技術進行了學習，并在目標檢測方面展開了較為深入的研究工作。
　　由于經(jīng)典的背景差分法受背

2、景建模及背景更新速率和準確度的影響較大，因此本文在背景建模和背景更新方面作了較為深入地學習和研究。首先，對于背景建模，提出了一種基于區(qū)間分布密度的背景建模方法，該方法主要基于灰度值歸類思想，首先對背景訓練序列中當前像素點在不同時刻的所有灰度值進行歸類，然后通過計算區(qū)間密度來選擇背景子類，進行背景建模。實驗結果表明，該方法的建模結果逼真，實時性好，且對道路環(huán)境具有較好的適應性；其次，對于背景更新，提出了一種在前景中完成背景重建的方法，首先

3、提取運動目標掩碼，然后通過該掩碼將前景中的動態(tài)區(qū)域用初始化背景圖像中相應的模塊去填充，完成背景圖像的重建，該方法的更新速率較高，且不易受到背景中樹葉晃動等干擾因素的影響，為后續(xù)的目標檢測奠定了良好的基礎。
　　針對經(jīng)典的幀差法提取到的目標內部容易出現(xiàn)空洞的缺點，文中提出了一種基于八方向平移法的運動目標邊緣檢測方法，該方法可以直接提取到前景中動態(tài)目標的邊緣圖像而不受背景物體的干擾；然后將其與多幀差分法相結合進行運動目標檢測。實驗結果