版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
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
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 監(jiān)控視頻中基于背景建模的運動物體檢測算法.pdf
- 基于視頻序列的運動物體檢測與跟蹤.pdf
- 智能視頻監(jiān)控中的運動物體檢測與跟蹤算法研究.pdf
- 視頻序列中運動物體的檢測與提取.pdf
- 運動物體檢測與跟蹤算法研究.pdf
- 視頻樁考系統(tǒng)中的運動物體檢測與跟蹤算法研究.pdf
- 視頻序列中運動物體分割的研究.pdf
- 視頻中運動物體的檢測.pdf
- 視頻中運動物體檢測與跟蹤的OpenCV實現(xiàn).pdf
- 視頻監(jiān)控場景中的運動物體檢測和跟蹤.pdf
- 基于視頻的運動物體檢測與提取方法研究.pdf
- 智能視頻系統(tǒng)中運動物體及煙火檢測的算法研究.pdf
- 視頻運動物體提取的算法研究.pdf
- 視頻中運動物體的檢測與跟蹤.pdf
- 基于視頻的運動物體檢測方法與應(yīng)用研究.pdf
- 基于形狀識別的運動物體檢測.pdf
- 基于DM642運動物體檢測.pdf
- 基于圖分割的運動物體前景檢測算法的研究.pdf
- 圖像序列中運動物體的檢測與跟蹤.pdf
- 復(fù)雜場景下運動物體檢測與跟蹤算法的研究.pdf
評論
0/150
提交評論