基于形狀信息的運(yùn)動(dòng)目標(biāo)提取方法研究.pdf

1、在智能視頻監(jiān)控網(wǎng)絡(luò)中，運(yùn)動(dòng)目標(biāo)提取作為步態(tài)識(shí)別、行為分析的基礎(chǔ)，發(fā)揮著重要的作用。背景減除算法作為運(yùn)動(dòng)目標(biāo)提取方法之一，受環(huán)境的影響較大，提取出的結(jié)果往往不是一個(gè)完整的目標(biāo)。為了使背景減除的結(jié)果更加接近目標(biāo)的真實(shí)形狀，可以將形狀這種自上向下的信息融合進(jìn)背景減除方法中。當(dāng)背景減除方法只包含自下向上的信息時(shí)，在存在動(dòng)態(tài)干擾（場(chǎng)景中存在樹葉抖動(dòng)、噴泉等）或者目標(biāo)與背景顏色相似的環(huán)境下，一個(gè)目標(biāo)可能分成多個(gè)連通域，對(duì)步態(tài)識(shí)別等高級(jí)應(yīng)用造成影響。

2、
　　為了解決這個(gè)問題，本文對(duì)如何利用形狀信息提高運(yùn)動(dòng)目標(biāo)提取的結(jié)果，進(jìn)行了深入研究。通過在線建立形狀先驗(yàn)圖像和離線訓(xùn)練形狀模型兩種方式，將背景減除的結(jié)果修正為一個(gè)相對(duì)完整的目標(biāo)。
　　本文的主要研究工作和貢獻(xiàn)歸納如下:
　　(1)研究了背景減除算法并對(duì)此進(jìn)行后處理操作，提出了將形狀先驗(yàn)信息嵌入馬爾科夫隨機(jī)場(chǎng)(Markov random fields，MRF)的后處理算法。設(shè)計(jì)了形狀先驗(yàn)信息對(duì)應(yīng)的局部能量函數(shù)，利用當(dāng)前

3、幀的前面多幀結(jié)果的信息構(gòu)造形狀先驗(yàn)圖像，目的是利用已有的背景減除結(jié)果引導(dǎo)后續(xù)的運(yùn)動(dòng)目標(biāo)提取過程。此外，在計(jì)算形狀先驗(yàn)時(shí)通過提取運(yùn)動(dòng)目標(biāo)的連通域的方式對(duì)運(yùn)動(dòng)目標(biāo)定位，以降低背景擾動(dòng)為前景的概率，增加運(yùn)動(dòng)目標(biāo)為前景的概率。在混合高斯(GaussianMixture Model，GMM)背景減除的基礎(chǔ)上，使用帶有形狀先驗(yàn)的MRF后處理對(duì)結(jié)果進(jìn)行修正。實(shí)驗(yàn)表明，本文提出的方法的結(jié)果優(yōu)于GMM和GMM帶有MRF后處理的結(jié)果，可以提高存在動(dòng)態(tài)干擾等

4、復(fù)雜場(chǎng)景下的運(yùn)動(dòng)目標(biāo)提取結(jié)果。
　　(2)本文提出了一種將DBM應(yīng)用于對(duì)背景減除進(jìn)行后處理的方法，以解決顏色相似場(chǎng)景下，背景減除結(jié)果中的運(yùn)動(dòng)目標(biāo)發(fā)生斷開的情況。將深度玻爾茲曼機(jī)(deep Boltzmann machine，DBM)方法應(yīng)用于正側(cè)面行走的行人形狀模型的建立，并使用此模型對(duì)背景減除的結(jié)果進(jìn)行重構(gòu)。實(shí)驗(yàn)證明該方法能夠?qū)φ齻?cè)面行走的人體形狀進(jìn)行修正，并且在顏色相似的真實(shí)場(chǎng)景中得到完整的行人形狀，與GMM相比，提高了背景減