視頻運動目標(biāo)的優(yōu)化檢測研究.pdf

1、視頻運動目標(biāo)檢測技術(shù)是智能視頻監(jiān)控系統(tǒng)的基礎(chǔ)技術(shù)，其主要任務(wù)是：將人們關(guān)注的運動目標(biāo)從視頻序列中檢測出來，獲取盡可能準確、完整的運動目標(biāo)的信息，其檢測結(jié)果將影響視頻監(jiān)控系統(tǒng)后續(xù)技術(shù)的展開。為了改善視頻運動目標(biāo)檢測的性能，本文主要從加權(quán)Kolmogorov-Smirnov算法和動態(tài)圖割算法兩個方面來展開研究，加權(quán)Kolmogorov-Smirnov算法旨在提高檢測的相似度和準確度，動態(tài)圖割算法旨在提高檢測的效率。
　　混合高斯模型常

2、被應(yīng)用于具有輕微擾動的復(fù)雜背景的視頻運動目標(biāo)檢測，如樹葉晃動、水面波動等。由于外界環(huán)境或人為因素的影響，通常這種背景擾動是不穩(wěn)定的，盡管混合高斯背景模型是不斷更新的，為了提高檢測的準確度，優(yōu)化背景模型的加權(quán)系數(shù)仍然非常有必要。又由于加權(quán)Kolmogorov-Smirnov算法的估計具有一致性和魯棒性，因此，本文提出了基于加權(quán)Kolmogorov-Smirnov算法的視頻運動目標(biāo)檢測。主要貢獻有：1)該算法從理論和實驗上分別證明了在混合高

3、斯模型的條件下，加權(quán)Kolmogorov-Smirnov算法估計具有一致性和魯棒性，表明加權(quán)Kolmogorov-Smirnov算法可以更準確的調(diào)整混合高斯模型的加權(quán)系數(shù)。2)對于非平穩(wěn)背景擾動問題，單一模型對目標(biāo)的檢測能力有限，本文將加Kolmogorov-Smirno算法和混合高斯模型級聯(lián)在一起，一方面加權(quán)Kolmogorov-Smirnov算法能準確的調(diào)整混合高斯模型的加權(quán)系數(shù)；另一方面，混合高斯模型可以為加權(quán)Kolmogorov

4、-Smirnov算法檢測目標(biāo)提供初步的運動目標(biāo)區(qū)域。仿真結(jié)果顯示了本文提出的算法具有較高的檢測準確度。
　　基于圖割算法的能量最小化方法越來越廣泛的應(yīng)用于圖像處理和計算機視覺中，但它在進行圖像分割時，需要對每一幀圖像建立網(wǎng)絡(luò)圖，而相鄰的兩幀圖像之間并沒有很大的區(qū)別，因此增加了許多重復(fù)的工作，降低了算法的計算效率，從而限制了其進一步的發(fā)展。針對這個問題，本文分析了動態(tài)圖割算法提高圖割算法計算效率的可行性。該算法建立了混合高斯背景模型

5、，使其能適用于具有復(fù)雜動態(tài)背景的視頻圖像序列中的目標(biāo)檢測。該算法還根據(jù)相鄰兩幀視頻圖像之間的像素差距較小的特點，只對第一幀圖像建立網(wǎng)絡(luò)圖。為了避免重復(fù)的計算工作，動態(tài)圖割算法給出了特定動態(tài)變化的馬爾可夫隨機場模型的最大后驗概率的計算方法，并且通過更新前一幀圖像的網(wǎng)絡(luò)圖的邊緣流量得到剩余圖，使其可以表征當(dāng)前圖像幀的像素特征。在這個更新過程中，為了保持邊緣容量的一致性，動態(tài)圖割算法給出了具有一致性的更新方法。相比于對每一幀圖像都建立網(wǎng)絡(luò)圖的