信號與信息處理專業(yè)畢業(yè)論文 [精品論文] 視頻序列中運動目標(biāo)檢測技術(shù)研究

1、信號與信息處理專業(yè)畢業(yè)論文信號與信息處理專業(yè)畢業(yè)論文[精品論文精品論文]視頻序列中運動目標(biāo)視頻序列中運動目標(biāo)檢測技術(shù)研究檢測技術(shù)研究關(guān)鍵詞：運動目標(biāo)檢測關(guān)鍵詞：運動目標(biāo)檢測計算機視覺計算機視覺三角形菱形搜索算法三角形菱形搜索算法摘要：運動目標(biāo)檢測作為計算機視覺領(lǐng)域的一個重要分支與基礎(chǔ)，在軍事、交通、工業(yè)以及生物醫(yī)學(xué)等領(lǐng)域具有廣泛的應(yīng)用前景，一直受到廣泛的關(guān)注，并成為計算機視覺領(lǐng)域的一個研究熱點。但是由于運動目標(biāo)檢測問題本身的復(fù)雜性，運動

2、目標(biāo)的檢測依然面臨著諸多挑戰(zhàn)。本文在現(xiàn)有研究成果的基礎(chǔ)上，對靜態(tài)與動態(tài)場景下的運動目標(biāo)檢測進行了深入研究。對于靜態(tài)場景下的運動目標(biāo)檢測，本文提出了一種基于碼本的改進型算法，并用多組室外、室內(nèi)測試視頻序列進行了測試驗證，測試結(jié)果表明其完全能滿足應(yīng)用需求。其中的主要工作及創(chuàng)新包括以下幾個方面：(1)基于新的顏色模型，提出了新的高亮與陰影判決準(zhǔn)則；(2)本算法中應(yīng)用了新的碼本提煉、碼本更新及自學(xué)習(xí)策略；針對動態(tài)場景中的運動目標(biāo)檢測，本文采用了

3、兩種算法進行運動估計與補償。在第一種算法中，采用了基于塊匹配的全局運動估計算法，該算法中采用特征塊選擇模板、Canny邊緣檢測、新的三角形菱形搜索算法及運動矢量提煉等思想，來降低算法的運算復(fù)雜度，并確保與提高運動估計的精確度。但由于該算法采用了平移模型，因此僅適用于全局運動為平移模式的視頻序列。在第二種算法中，采用了基于特征匹配的全局運動估計算法。為了準(zhǔn)確估計運動模型的參數(shù)，采用了特征點選擇模板、SIFT算子、最小二乘法、特征點匹配對校

4、正及雙線性插值相結(jié)合的方式。由于該算法采用了六參數(shù)仿射模型，因此，可以適用于移動、旋轉(zhuǎn)、縮放等全局運動模式，從而具有普適性。二種算法都采用了一組或多組室外與室內(nèi)標(biāo)準(zhǔn)視頻序列進行測試驗證。實驗結(jié)果表明，兩種算法在其各自的應(yīng)用范圍內(nèi)具有較好的魯棒性和有效性。這部分內(nèi)容包括的主要創(chuàng)新工作如下：(1)提出了一種提煉運動矢量的閾值法；(2)提出了一種新的三角形菱形搜索算法；(3)提出了一種新的特征點匹配對校正策略。在其各自的應(yīng)用范圍內(nèi)具有較好的魯

5、棒性和有效性。這部分內(nèi)容包括的主要創(chuàng)新工作如下：(1)提出了一種提煉運動矢量的閾值法；(2)提出了一種新的三角形菱形搜索算法；(3)提出了一種新的特征點匹配對校正策略。運動目標(biāo)檢測作為計算機視覺領(lǐng)域的一個重要分支與基礎(chǔ)，在軍事、交通、工業(yè)以及生物醫(yī)學(xué)等領(lǐng)域具有廣泛的應(yīng)用前景，一直受到廣泛的關(guān)注，并成為計算機視覺領(lǐng)域的一個研究熱點。但是由于運動目標(biāo)檢測問題本身的復(fù)雜性，運動目標(biāo)的檢測依然面臨著諸多挑戰(zhàn)。本文在現(xiàn)有研究成果的基礎(chǔ)上，對靜態(tài)與

6、動態(tài)場景下的運動目標(biāo)檢測進行了深入研究。對于靜態(tài)場景下的運動目標(biāo)檢測，本文提出了一種基于碼本的改進型算法，并用多組室外、室內(nèi)測試視頻序列進行了測試驗證，測試結(jié)果表明其完全能滿足應(yīng)用需求。其中的主要工作及創(chuàng)新包括以下幾個方面：(1)基于新的顏色模型，提出了新的高亮與陰影判決準(zhǔn)則；(2)本算法中應(yīng)用了新的碼本提煉、碼本更新及自學(xué)習(xí)策略；針對動態(tài)場景中的運動目標(biāo)檢測，本文采用了兩種算法進行運動估計與補償。在第一種算法中，采用了基于塊匹配的全局

7、運動估計算法，該算法中采用特征塊選擇模板、Canny邊緣檢測、新的三角形菱形搜索算法及運動矢量提煉等思想，來降低算法的運算復(fù)雜度，并確保與提高運動估計的精確度。但由于該算法采用了平移模型，因此僅適用于全局運動為平移模式的視頻序列。在第二種算法中，采用了基于特征匹配的全局運動估計算法。為了準(zhǔn)確估計運動模型的參數(shù)，采用了特征點選擇模板、SIFT算子、最小二乘法、特征點匹配對校正及雙線性插值相結(jié)合的方式。由于該算法采用了六參數(shù)仿射模型，因此，

8、可以適用于移動、旋轉(zhuǎn)、縮放等全局運動模式，從而具有普適性。二種算法都采用了一組或多組室外與室內(nèi)標(biāo)準(zhǔn)視頻序列進行測試驗證。實驗結(jié)果表明，兩種算法在其各自的應(yīng)用范圍內(nèi)具有較好的魯棒性和有效性。這部分內(nèi)容包括的主要創(chuàng)新工作如下：(1)提出了一種提煉運動矢量的閾值法；(2)提出了一種新的三角形菱形搜索算法；(3)提出了一種新的特征點匹配對校正策略。運動目標(biāo)檢測作為計算機視覺領(lǐng)域的一個重要分支與基礎(chǔ)，在軍事、交通、工業(yè)以及生物醫(yī)學(xué)等領(lǐng)域具有廣泛的

9、應(yīng)用前景，一直受到廣泛的關(guān)注，并成為計算機視覺領(lǐng)域的一個研究熱點。但是由于運動目標(biāo)檢測問題本身的復(fù)雜性，運動目標(biāo)的檢測依然面臨著諸多挑戰(zhàn)。本文在現(xiàn)有研究成果的基礎(chǔ)上，對靜態(tài)與動態(tài)場景下的運動目標(biāo)檢測進行了深入研究。對于靜態(tài)場景下的運動目標(biāo)檢測，本文提出了一種基于碼本的改進型算法，并用多組室外、室內(nèi)測試視頻序列進行了測試驗證，測試結(jié)果表明其完全能滿足應(yīng)用需求。其中的主要工作及創(chuàng)新包括以下幾個方面：(1)基于新的顏色模型，提出了新的高亮與陰

10、影判決準(zhǔn)則；(2)本算法中應(yīng)用了新的碼本提煉、碼本更新及自學(xué)習(xí)策略；針對動態(tài)場景中的運動目標(biāo)檢測，本文采用了兩種算法進行運動估計與補償。在第一種算法中，采用了基于塊匹配的全局運動估計算法，該算法中采用特征塊選擇模板、Canny邊緣檢測、新的三角形菱形搜索算法及運動矢量提煉等思想，來降低算法的運算復(fù)雜度，并確保與提高運動估計的精確度。但由于該算法采用了平移模型，因此僅適用于全局運動為平移模式的視頻序列。在第二種算法中，采用了基于特征匹配的