基于參數(shù)統(tǒng)計模型的視頻運動目標檢測.pdf

1、一個典型的視頻處理過程需要完成對視頻運動對象的分割、跟蹤和識別，而視頻運動對象分割被認為是處理過程中最為關(guān)鍵的一步。由于視頻圖像的復(fù)雜性與多變性，使得運動對象的檢測與分割成為視頻圖像處理中同時也是最具挑戰(zhàn)性的一項技術(shù)。運動對象的檢測與分割，顧名思義就是一種從視頻圖像中檢索出包含位置、方向、大小和形狀信息的感興趣的對象的任務(wù)。然而由于像背景突變和連續(xù)光照的變化、在背景中投射出前景對象的陰影，或者靜止物體重復(fù)的動作，比如樹枝的晃動等一系列的

2、問題，使得研究人員很難找到一個既有低復(fù)雜度又能夠處理所有的意外情況的方法，并且得到完美的結(jié)果，同時還能保證效率高、魯棒性強。針對上述問題，本文從兩方面著手進行了研究，一是結(jié)合多水平集模型和C-V活動輪廓模型算法改進的基于目標輪廓特征檢測算法以及基于目標所在區(qū)域特征檢測的隨機逼近方法算法。針對不同背景，前景復(fù)雜度的視頻序列進行了研究，著重提高算法對不同視頻序列的自適應(yīng)性、精確度等，主要完成了對多運動目標的視頻序列的檢測。
　　本論文

3、主要研究內(nèi)容如下:
　　(1)針對現(xiàn)有的目標輪廓提取算法存在收斂速度慢、效率較低的問題，提出了一種結(jié)合差分相乘和多水平集下的C-V活動輪廓模型結(jié)合的新算法。該方法首先利用四幀相鄰圖像差分相乘抑制絕大部分的背景邊緣，然后通過改進參數(shù)后的多水平集和C-V模型相結(jié)合的算法提取運動目標輪廓。實驗結(jié)果表明，該方法在簡單視頻背景中具有多個目標下能夠更加快速準確提取出每個完整的運動目標輪廓，較好的解決了現(xiàn)有算法在多個運動目標輪廓提取的缺陷。