基于GMM的運動目標(biāo)檢測和陰影抑制算法研究.pdf

1、聲明本人鄭重聲明：所呈交的學(xué)位論文，是本人在指導(dǎo)教師的指導(dǎo)下，獨立進(jìn)行研究所取得的成果。除文中已經(jīng)注明引用的內(nèi)容外，本論文不包含其他個人或集體已經(jīng)發(fā)表或撰：寫過的研究成果。對本文的研究做出重要貢獻(xiàn)的個人和集體，均已在文中以明確方式標(biāo)明。本聲明的法律責(zé)任由本人承擔(dān)。論文作者簽名：日期：沙7么fV穆關(guān)于學(xué)位論文使用權(quán)的說明本人完全了解太原理工大學(xué)有關(guān)保管、使用學(xué)位論文的規(guī)定，其中包括：①學(xué)校有權(quán)保管、并向有關(guān)部門送交學(xué)位論文的原件與復(fù)印件；

2、②學(xué)?？梢圆捎糜坝　⒖s印或其它復(fù)制手段復(fù)制并保存學(xué)位論文；③學(xué)?？稍试S學(xué)位論文被查閱或借閱；④學(xué)?？梢詫W(xué)術(shù)交流為目的，復(fù)制贈送和交換學(xué)位論文；⑤學(xué)校可以公布學(xué)位論文的全部或部分內(nèi)容(保密學(xué)位論文在解密后遵守此規(guī)定)。簽名：導(dǎo)師簽名：壺鯉L～日期：礦7易～j／太原理工大學(xué)碩士研究生學(xué)位論文基于GMMB勺運動目標(biāo)檢測和陰影【PN算法研究摘要視頻圖像中的運動目標(biāo)檢測是把運動目標(biāo)從視頻圖像序列中分割出來，是運動目標(biāo)分類、目標(biāo)跟蹤、行為判斷、場景

3、理解等后期處理的基礎(chǔ)。它在軍事領(lǐng)域(如戰(zhàn)場偵察)和民用領(lǐng)域(如智能視頻監(jiān)控系統(tǒng))的應(yīng)用極為廣泛。本文對常見的運動目標(biāo)檢測算法做了描述，著重研究了基于高斯混合模型(GMM，GaussianMixtureModel)的運動目標(biāo)檢測算法——高斯混合背景模型。通過對比實驗得知，該模型可以很好的對復(fù)雜場景進(jìn)行背景建模，運動目標(biāo)檢測效果佳，魯棒性較強(qiáng)。但是，高斯混合背景模型不能對運動物體的陰影進(jìn)行抑制。針對這個問題，本文借鑒高斯混合背景模型算法中背

4、景建模的思路，建立新的高斯混合模型對運動陰影進(jìn)行抑制，即高斯混合陰影模型。高斯混合背景模型檢測出的運動目標(biāo)先用疑似陰影模型進(jìn)行陰影預(yù)判，判斷為疑似陰影的像素參與高斯混合陰影模型的參數(shù)學(xué)習(xí)和更新。然后高斯混合陰影模型對這些像素是否屬于陰影進(jìn)行最終判別。通過對比實驗得出，該算法對運動陰影抑制的效果較好。但是由于模型需要較多的陰影像素來進(jìn)行參數(shù)學(xué)習(xí)，而實際視頻場景中所有像素點都被陰影覆蓋的可能性較低且覆蓋時間較短，使得模型的參數(shù)得不到充分的學(xué)