動態(tài)場景下的目標(biāo)檢測技術(shù)研究.pdf

1、基于視頻的動態(tài)場景下的目標(biāo)檢測是計算機(jī)視覺和模式識別在人工智能領(lǐng)域的重要應(yīng)用之一，在機(jī)器人導(dǎo)航、汽車安全輔助駕駛系統(tǒng)等應(yīng)用領(lǐng)域有著深遠(yuǎn)的意義。
　　與傳統(tǒng)的靜態(tài)背景下的運(yùn)動目標(biāo)檢測不同的是，動態(tài)環(huán)境下運(yùn)動前景和背景都存在運(yùn)動，因此單純的依靠運(yùn)動存在與否作為判別標(biāo)準(zhǔn)的背景差法和幀差法都無法直接應(yīng)用于動態(tài)場景下的運(yùn)動目標(biāo)檢測。本文對基于視頻的動態(tài)場景下的目標(biāo)檢測問題進(jìn)行了研究，并提出了基于特征點運(yùn)動矢量估計的運(yùn)動前景檢測方法，其主要內(nèi)

2、容有以下幾個方面:
　　將SIFT算法應(yīng)用于動態(tài)場景下的特征點檢測，并利用SIFT算法在光照變化、尺度變換、噪聲、遮擋等方面匹配效果的魯棒性，進(jìn)行穩(wěn)定的特征點匹配，為特征點的運(yùn)動矢量估計提供數(shù)據(jù)基礎(chǔ)。
　　在特征點分類方面，提出了基于特征點匹配關(guān)系的目標(biāo)運(yùn)動矢量估計方法，并在此基礎(chǔ)上提出了基于運(yùn)動矢量的特征點分類算法。該方法通過對特征點運(yùn)動矢量的聚類性質(zhì)進(jìn)行分析，可以自動獲取前景與背景的粗分類結(jié)果。此后，通過對噪聲特征點、誤

3、匹配特征點以及誤分類特征點的去除，獲得前景特征點與背景特征點的準(zhǔn)確分類結(jié)果。
　　在運(yùn)動目標(biāo)檢測方面，本文根據(jù)背景上特征點的運(yùn)動矢量，以非線性插值的方式建立背景模型，將相鄰采樣幀之間的動態(tài)背景轉(zhuǎn)化為靜態(tài)背景;通過幀間差分法找到運(yùn)動目標(biāo)的大致區(qū)域作為GVF Snake模型收斂的初始輪廓;通過GVF Snake模型找出運(yùn)動目標(biāo)的大致輪廓，并以這個大致輪廓為區(qū)域生長的停止條件，將前景上的特征點作為種子點，采用多個種子點并行的區(qū)域生長方式