復(fù)雜動態(tài)場景背景建模與目標(biāo)檢測技術(shù)研究.pdf

1、運(yùn)動目標(biāo)檢測是計(jì)算機(jī)視覺研究的一個重要方面，而背景差分法又是運(yùn)動目標(biāo)檢測的常用方法之一。背景差分法的關(guān)鍵是背景建模，只有建立良好有效的背景圖像，才能準(zhǔn)確的檢測出運(yùn)動目標(biāo)。背景建模方法通常有靜態(tài)場景的假設(shè)前提，但是實(shí)際中，絕對靜止的背景很難獲取，外界天氣影響、物體周期性運(yùn)動以及攝像機(jī)自身晃動等原因都會破壞靜態(tài)場景的假設(shè)前提，因此，研究動態(tài)場景下的背景建模方法具有重要意義。
　　本論文在動態(tài)場景條件下，深入研究了高斯背景模型和核密度背

2、景模型，為了獲得更好的目標(biāo)檢測結(jié)果，又在背景建模的基礎(chǔ)上提出了陰影消除方法，以去除背景差分后誤檢測為前景的陰影，完善目標(biāo)檢測性能。本論文主要研究內(nèi)容為：
　　（1）研究三種簡單常用的背景模型：幀間差分、時間軸加權(quán)濾波、卡爾曼濾波，對其原理和實(shí)現(xiàn)方法進(jìn)行了詳細(xì)闡述，通過實(shí)驗(yàn)仿真對三種模型的性能進(jìn)行了對比和分析，并根據(jù)它們的局限性引出了后文的高斯分布模型和核密度估計(jì)模型。
　?。?）詳細(xì)討論了混合高斯分布的背景模型和核密度估計(jì)背

3、景模型，前者屬于參數(shù)估計(jì)方法，后者屬于非參數(shù)估計(jì)方法。對屬于參數(shù)估計(jì)的混合高斯模型，著重探究了參數(shù)更新問題，而對屬于非參數(shù)估計(jì)的核密度估計(jì)，重點(diǎn)闡述了其公式含義以及窗寬對目標(biāo)檢測結(jié)果的影響。
　?。?）提出基于整體邊緣信息的陰影消除方法，并詳細(xì)描述了該方法的實(shí)現(xiàn)流程。將該方法與背景差分法相結(jié)合，對背景差分后的前景目標(biāo)進(jìn)行陰影去除，能夠得到更有效的運(yùn)動目標(biāo)。
　?。?）針對文中提到的幾種方法，利用Matlab進(jìn)行實(shí)驗(yàn)仿真，分析