視頻序列中運動物體檢測算法研究.pdf

1、在計算機視覺研究領(lǐng)域里,運動物體檢測作為預(yù)處理技術(shù)中非常重要的任務(wù),就是將感興趣的運動物體從背景中分離出來,在智能視頻監(jiān)控(AutomaticVideoSurvalliance,AVS)、視頻壓縮、視頻檢索和智能人機接口等方面有著廣泛的應(yīng)用。在實時場景中,由于光照的變化、背景元素的擾動、陰影、照相機的抖動或移動等因素的影響,如何將前景從背景中準(zhǔn)確地分離出來是一個極具挑戰(zhàn)性的研究問題。本文重點對各種動態(tài)場景下的前景檢測算法進行研究。所謂動

2、態(tài)場景一種是指由固定照相機拍攝,但卻存在背景運動的場景,如背景是噴泉、波浪或飄雪等,另外一種是指存在照相機移動的場景,或者更復(fù)雜的即存在背景運動又存在照相機運動的場景。重點選擇了高斯混合模型(MixtureofGaussian,MOG)、動態(tài)紋理(DynamicTexture,DT)模型和基于生物視覺的Center-Surround機制的前景檢測算法作為具體的研究對象。
　　對于固定照相機拍攝的相對靜態(tài)的場景,針對MOG算法計算復(fù)

3、雜度高的問題,重點對該算法進行了優(yōu)化和改進。基本思想是首先選用計算復(fù)雜度低的運行期均值(RunningAverage,RA)算法進行粗檢測,大致定位到前景所在區(qū)域,然后在粗檢測的前景區(qū)域里采用改進的MOG算法對每個像素進行細檢測。為了抑制陰影的影響,選用YUV顏色格式作為像素的特征。改進的方法與傳統(tǒng)的MOG算法和非參數(shù)核密度估計(No-ParametricKernelDensityEstimator,KDE)算法相比,在獲得較優(yōu)的檢測性

4、能時,明顯地降低了計算復(fù)雜度,其運行速度能滿足實時視頻處理的需要。
　　對于固定照相機拍攝的動態(tài)場景,重點對DT模型進行了研究分析。針對其整體建模時由于輸入數(shù)據(jù)是高維向量,在學(xué)習(xí)DT參數(shù)時奇異值分解(SingularValueDecomposition,SVD)復(fù)雜度很高的問題,對Gopalakrishnan等提出的SO(SustainObservibility)算法進行了優(yōu)化和改進?；舅枷胧窍葘τ^測性測量方法進行了優(yōu)化,然后根

5、據(jù)線性系統(tǒng)的觀測性的系統(tǒng)特性,提出可以在圖像的下采樣位置計算觀察性大小,并采用上采樣技術(shù)取得原始尺度圖像中每一個像素的觀測性大小。其特點是與SO算法相比在獲得接近的檢測性能時,計算復(fù)雜度明顯地降低了。其次,針對DT局部建模時,雖然降低了單次奇異值分解的復(fù)雜度,但卻增加了奇異值分解的次數(shù),針對該問題,我們對基于局部DT建模(LocalDynamicTexture,LDT)的方法進行了改進?；舅枷胧抢脛討B(tài)冗余度來計算塊之間的相似性,只對

6、相似性小的塊組用DT進行建模。改進的LDT方法與其他方法相比,具有較低的等錯率(EqualErrorRate,EER),同時計算復(fù)雜度也比較低。
　　針對DT模型的狀態(tài)空間維數(shù)事先設(shè)定的問題,提出了一種由輸入數(shù)據(jù)驅(qū)動的自適應(yīng)設(shè)置方法。該方法根據(jù)DT參數(shù)估計時奇異值分解獲得的奇異值矩陣,引入奇異熵的概念,根據(jù)奇異熵增量來自適應(yīng)選擇狀態(tài)空間維數(shù)。DT模型經(jīng)過自適應(yīng)設(shè)定維數(shù)后用于動態(tài)場景中進行前景檢測將具有較低的等錯率,其檢測性能明顯優(yōu)

7、于模型維數(shù)事先假定的算法。另外,在估計DT參數(shù)時,為了盡可能避免奇異值分解操作,我們采用一種聯(lián)合batch-PCA(PrincipalComponentAnalysis,PCA)和CCIPCA(CandidCovariance-FreeIncrementalPrincipalComponentAnalysis,CCIPCA)結(jié)合的方法,首先選用batch-PCA估計的DT參數(shù)作為基參數(shù),再用CCIPCA對基參數(shù)進行更新。和采用batch

8、-PCA方法相比,在獲得接近的性能時,平均每幀處理時間明顯減少。
　　對于存在照相機運動的動態(tài)場景,由于照相機的運動使大多數(shù)前景檢測算法將一部分背景也檢測為前景,致使算法的虛警率比較高。本文對基于生物視覺的Center-Surround機制進行了深入研究,并提出一種先全局后局部檢測的方法。全局檢測時使用改進的SO算法以獲得候選的前景區(qū)域,局部檢測時采用貝葉斯Center-Surround架構(gòu)在該區(qū)域里計算像素的局部特征對比度,最后