基于二型模糊和概率圖模型的運(yùn)動目標(biāo)檢測.pdf

1、運(yùn)動目標(biāo)檢測是目標(biāo)識別、分類和行為分析與理解的前提，是計(jì)算機(jī)視覺領(lǐng)域基礎(chǔ)研究內(nèi)容之一，廣泛應(yīng)用于智能視頻監(jiān)控、人機(jī)交互、軍事應(yīng)用等領(lǐng)域。運(yùn)動目標(biāo)檢測存在如陰影去除和漏洞填補(bǔ)等難題，同時(shí)還會受到復(fù)雜背景（如背景中存在隨風(fēng)搖動的樹木、草地，變換的白云，波動的河流等）、光照變化（緩變和突變）等因素干擾，實(shí)時(shí)、精確、高效、通用的運(yùn)動目標(biāo)檢測仍然是一個(gè)巨大的挑戰(zhàn)。本文針對復(fù)雜場景的背景建模與運(yùn)動目標(biāo)檢測進(jìn)行了較為深入的研究，并以混合高斯模型為基礎(chǔ)

2、，研究了運(yùn)動目標(biāo)提取的準(zhǔn)確性和完整性問題。主要工作如下：
　　 1)．對混合高斯模型及其改進(jìn)算法進(jìn)行了較為全面的分析，并針對因噪聲和復(fù)雜場景導(dǎo)致像素過程(Pixels Process)并不嚴(yán)格地滿足高斯分布，采用傳統(tǒng)的混合高斯模型建模時(shí)，會出現(xiàn)較為明顯的背景前景錯(cuò)判問題，提出了在混合高斯模型中引入二型模糊理論(Type-2 Fuzzy Sets，T2FSs)的方法。該方法使用主隸屬度函數(shù)描述像素觀測值在高斯模型中的不確定性，使用

3、次隸屬度來評估主隸屬度的不確定性，有效地描述了復(fù)雜場景下的像素分布規(guī)律，實(shí)驗(yàn)表明該方法能有效地過濾前景噪聲，得到十分干凈的背景。
　　 2).針對1)中的方法會導(dǎo)致前景目標(biāo)在低對比度條件下出現(xiàn)漏洞的問題，提出了利用像素的上下文空間如紋理信息、梯度信息等來解決。由于現(xiàn)有的塊級處理方法存在特征提取方式較為復(fù)雜，實(shí)時(shí)性較差和前景不夠平滑等問題，本文提出了一種塊級與像素級結(jié)合的混合高斯背景建模方法。該方法對每個(gè)視頻塊進(jìn)行離散余弦變換(D

4、CT)，取每個(gè)塊的最重要的4個(gè)DCT系數(shù)構(gòu)成一幅偽圖像，該偽圖像包含豐富的塊級特征，實(shí)驗(yàn)表明對其建模有十分明顯的陰影抑制和漏洞去除效果，然后采用了簡單高效的概率方式將建模結(jié)果和1）的結(jié)果想結(jié)合，既保留高效地去噪效果又增強(qiáng)了前景目標(biāo)檢測的準(zhǔn)確性和完整性。
　　 3)．針對2)中雖然考慮了像素的上下文空間特征，但仍以偽像素方式進(jìn)行處理，割裂了全局和局部的聯(lián)系，引入馬爾科夫隨機(jī)場(MRF)模型來建模以實(shí)現(xiàn)進(jìn)一步的前景輪廓細(xì)化。MRF將