復(fù)雜場景下運動圖像前景提取方法研究.pdf

1、復(fù)雜場景下的運動前景提取是計算機視覺研究領(lǐng)域的研究重點。論文研究復(fù)雜場景中的前景目標(biāo)提取問題，主要針對三種應(yīng)用較為廣泛的前景提取算法進行研究和改進。
　　論文提出一種應(yīng)用于復(fù)雜變化場景中的基于混合高斯模型的自適應(yīng)前景提取方法。該方法主要包括以下三個方面：首先，對傳統(tǒng)算法中固定高斯分布數(shù)目的設(shè)計進行改進，提出了一種動態(tài)控制像素高斯分布數(shù)目的方法。其次，通過在線EM算法對高斯分布的各參數(shù)進行學(xué)習(xí)，使參數(shù)的設(shè)置更為合理。最后，根據(jù)不同像

2、素點的高斯分布數(shù)目反映出的變化特點實時調(diào)整每個像素的權(quán)值更新速率，進一步提高了前景提取算法的精確度，并降低了對算法的人工干預(yù)。實驗結(jié)果表明本方法可得出較好的查準(zhǔn)率和查全率，并與其他前景提取方法相比具有較好的實時性。
　　為了進一步提高前景提取結(jié)果的精確性，論文提出了一種基于非參數(shù)概率密度估計的前景提取方法。一方面，使用方核函數(shù)替代高斯核函數(shù)，減少一部分計算開銷；另一方面，使用迭代的概率密度函數(shù)更新策略，更新的時間復(fù)雜度不再與N相關(guān)

3、，大大降低了時間復(fù)雜度。此外還設(shè)計了一種分割閾值的計算方法，以提高提取精度。實驗表明，該方法的精確度優(yōu)于基礎(chǔ)算法，相比于其他非參數(shù)概率密度估計方法實時性有了較大提高。
　　為探究空間域范圍內(nèi)信息對背景模型的影響，論文提出了一種基于LBP背景模型的混合背景建模方法，改進了基礎(chǔ)算法的更新過程，并將這種改進方法與之前提出的基于混合高斯模型的自適應(yīng)前景提取方法融合，得到一種基于紋理特征的混合背景建模方法。經(jīng)實驗驗證，該混合方法相比與基礎(chǔ)算