動態(tài)背景下基于SIFT特征匹配的目標檢測算法.pdf

1、運動目標檢測與跟蹤一直是計算機視覺領(lǐng)域和智能監(jiān)控領(lǐng)域的研究熱點，其中運動目標檢測是視頻序列中進行目標識別、跟蹤與行為分析等后續(xù)處理的基礎(chǔ)。在大部分實際場景中，攝像頭大多是固定不動的，即所謂的“靜態(tài)背景”。然而隨著技術(shù)的發(fā)展和對減少成本的需求，越來越多地需要攝像頭的運動來實現(xiàn)運動目標的連續(xù)跟蹤，以便增大監(jiān)控范圍。但是在攝像機運動的過程中整個背景不停地在變化，相對于靜態(tài)背景來說，這無疑增加了運動目標檢測的難度。因此，動態(tài)背景下的運動目標檢測

2、技術(shù)是相當具有挑戰(zhàn)性的研究課題。
　　本文研究了現(xiàn)有的運動目標檢測算法，特別是針對監(jiān)控攝像頭運動所導(dǎo)致的動態(tài)背景下的目標檢測進行了深入的研究。動態(tài)背景下通常采用全局運動補償?shù)乃惴▉頇z測前景目標，即將運動背景轉(zhuǎn)化為靜態(tài)背景。故本文首先研究了混合高斯背景建模、SOBS、ViBe及其改進算法等靜態(tài)背景下的運動目標檢測方法，采用不同運動場景下的測試視頻對其前景目標檢測的性能進行對比分析。實驗表明ViBe不僅對各種運動場景具有較強的適應(yīng)性，

3、而且目標檢測的準確性也非常高，特別是在相機抖動的場景下表現(xiàn)出強大的競爭力。
　　全局運動補償方法最核心的內(nèi)容是提取圖像中的特征點并進行匹配，選擇一種合適的特征來描述圖像是非常關(guān)鍵的。本文通過實驗對典型的SIFT特征、SURF特征以及ORB特征的提取情況以及匹配能力進行了分析與研究，實驗表明SIFT特征作為一種尺度不變特征，具有較為穩(wěn)定的特征匹配能力。故本文深入地分析了基于SIFT特征點匹配的運動目標檢測算法，針對該算法存在的不足提

4、出了改進方案。
　　傳統(tǒng)的SIFT特征匹配算法效率不高，尤其是特征向量的生成過程非常耗時，為此本文提出了兩種新的SIFT特征描述符生成方法。一種是將特征描述向量直接由128維降到32維，另一種是利用特征點周圍的圓形區(qū)域來構(gòu)造SIFT特征描述符，將原來的128維特征描述向量降到了64維，這兩種方法都減少了特征向量的生成時間和特征匹配時間。同時本文采用特征點局部匹配算法代替了原來的全局匹配算法，進一步縮短了時間，提升了SIFT算法的效

5、率。
　　將動態(tài)背景轉(zhuǎn)換為靜態(tài)背景后，運動目標檢測的準確性主要取決于靜態(tài)背景下目標檢測算法的性能。針對幀差法提取的運動目標存在“孔洞”這一不足，本文采用了性能較好的ViBe方法來進行運動目標的檢測，提高了所檢測目標的完整性。
　　實驗結(jié)果表明，本文提出的改進方法不僅明顯縮短了SIFT特征點的匹配時間，加快了動態(tài)背景下運動目標的檢測速度，而且保證了所檢測目標的完整性，提高了動態(tài)背景下運動目標檢測的準確性，對監(jiān)控領(lǐng)域內(nèi)的運動攝像