視頻運(yùn)動(dòng)目標(biāo)的非參數(shù)檢測(cè)研究.pdf

1、視頻運(yùn)動(dòng)目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)基本研究?jī)?nèi)容,其檢測(cè)結(jié)果的優(yōu)劣對(duì)運(yùn)動(dòng)目標(biāo)識(shí)別、圖像分類等后繼處理的影響巨大。常用的視頻運(yùn)動(dòng)目標(biāo)參數(shù)檢測(cè)方法,由于其需要假定背景參數(shù)模型而限制了該方法對(duì)復(fù)雜多變自然環(huán)境的適應(yīng)性。相對(duì)于參數(shù)檢測(cè)方法,非參數(shù)檢測(cè)方法具有更強(qiáng)的靈活性和環(huán)境適應(yīng)性。因此,本文選擇研究復(fù)雜背景下視頻運(yùn)動(dòng)目標(biāo)的非參數(shù)檢測(cè)方法,并針對(duì)擬合優(yōu)度檢驗(yàn)和圖像紋理提出了三種新的非參數(shù)檢測(cè)算法:
　　 基于擬合優(yōu)度檢驗(yàn)的視頻運(yùn)動(dòng)目標(biāo)

2、檢測(cè)算法,將運(yùn)動(dòng)目標(biāo)的檢測(cè)問(wèn)題看成是擬合優(yōu)度檢驗(yàn)問(wèn)題。假定背景服從高斯混合模型,引入經(jīng)驗(yàn)分布函數(shù)對(duì)樣本數(shù)據(jù)進(jìn)行統(tǒng)計(jì)建模,根據(jù)這兩個(gè)模型之間的最大距離來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。算法的實(shí)現(xiàn)采用了Kolmogorov-Smirnov(KS)檢驗(yàn),這個(gè)擬合優(yōu)度檢驗(yàn)正是根據(jù)待檢測(cè)像素樣本的經(jīng)驗(yàn)分布函數(shù)和背景分布函數(shù)之間的最大距離來(lái)檢驗(yàn)該待檢測(cè)像素是否來(lái)自于背景,進(jìn)而可以檢測(cè)出運(yùn)動(dòng)目標(biāo)。
　　 基于最小加權(quán)KS檢驗(yàn)的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法,由于最小加權(quán)

3、KS估計(jì)具有相合性、穩(wěn)健性等良好性質(zhì),本章采用最小加權(quán)KS估計(jì)來(lái)計(jì)算背景模型參數(shù),可以消除背景統(tǒng)計(jì)模型的時(shí)間限制以及由于小概率事件發(fā)生而帶來(lái)的模型偏差,增強(qiáng)背景模型的魯棒性。其實(shí)現(xiàn)過(guò)程采用了基于貝爾曲線的進(jìn)化優(yōu)化(Bell-Curve Based evolutionary optimization,BCB)算法來(lái)得到背景模型參數(shù)的最小加權(quán)KS估計(jì)。由于BCB算法獲取的是背景模型參數(shù)空間內(nèi)的全局最佳值,故運(yùn)用該算法可以提高背景模型對(duì)自然環(huán)

4、境的適應(yīng)性。
　　 基于字典學(xué)習(xí)的可控核回歸視頻運(yùn)動(dòng)目標(biāo)檢測(cè)算法,運(yùn)用可控核回歸函數(shù)來(lái)描述背景紋理,這克服了傳統(tǒng)目標(biāo)檢測(cè)紋理算子不能在平坦區(qū)域有效描述的缺點(diǎn)。使用K均值聚類算法將背景圖像分成若干幅具有相似紋理結(jié)構(gòu)的聚類圖像,進(jìn)而采用主分量分析法(PrincipalComponent Analysis,PCA)來(lái)提取相應(yīng)的背景紋理字典。用學(xué)習(xí)得到的背景紋理字典來(lái)重構(gòu)待檢測(cè)圖像的背景紋理,可以避免環(huán)境噪聲的干擾,增強(qiáng)背景模型的靈活性

5、和魯棒性。運(yùn)動(dòng)目標(biāo)檢測(cè)方案則是利用兩個(gè)弱檢測(cè)器串聯(lián)組成一個(gè)強(qiáng)檢測(cè)器來(lái)將運(yùn)動(dòng)目標(biāo)從復(fù)雜背景中準(zhǔn)確有效地檢測(cè)出來(lái)。一個(gè)待檢測(cè)圖像首先通過(guò)一個(gè)基于像素灰度值的弱檢測(cè)器來(lái)大致提取出待檢測(cè)圖像的運(yùn)動(dòng)目標(biāo),再進(jìn)一步通過(guò)基于背景紋理字典的弱檢測(cè)器來(lái)比較真實(shí)紋理和重構(gòu)紋理以獲取精確的運(yùn)動(dòng)目標(biāo)。
　　 使用Water Surface和Waving Trees視頻序列的實(shí)驗(yàn)仿真結(jié)果驗(yàn)證了本文算法的有效性。較于現(xiàn)有的檢測(cè)算法,本文提出的非參數(shù)檢測(cè)算法