面向移動(dòng)目標(biāo)檢測(cè)的天氣場(chǎng)景建模方法.pdf

1、復(fù)雜多變的天氣環(huán)境影響人類生產(chǎn)生活的方方面面。將帶有復(fù)雜天氣環(huán)境的視覺(jué)表現(xiàn)作為輸入,會(huì)使基于計(jì)算機(jī)視覺(jué)的諸多領(lǐng)域應(yīng)用面臨前所未有的機(jī)遇和挑戰(zhàn)。一方面,戶外成像設(shè)備所獲圖像極易受到復(fù)雜天氣環(huán)境的影響,導(dǎo)致其視覺(jué)效果、數(shù)據(jù)質(zhì)量乃至應(yīng)用價(jià)值下降。另一方面,如何從戶外場(chǎng)景中有效地提取出所含天氣環(huán)境的視覺(jué)表現(xiàn),將為虛擬現(xiàn)實(shí)和基于計(jì)算機(jī)視覺(jué)的輔助氣象預(yù)報(bào)提供相當(dāng)大的技術(shù)支持。
　　僅就戶外視頻分析而言,移動(dòng)目標(biāo)檢測(cè)作為絕大部分實(shí)際應(yīng)用的預(yù)處理

2、模塊,其檢測(cè)結(jié)果不可避免地會(huì)受到復(fù)雜天氣環(huán)境的干擾。為克服上述干擾,本文立足所創(chuàng)建的一種天氣場(chǎng)景建模的通用研究框架,面向移動(dòng)目標(biāo)檢測(cè)提出了魯棒的天氣場(chǎng)景建模方法,具體內(nèi)容如下:
　　(1)提出了一種基于多示例的場(chǎng)景動(dòng)態(tài)區(qū)域分割方法。動(dòng)態(tài)區(qū)域是指場(chǎng)景中存在明顯像素變化的動(dòng)態(tài)點(diǎn)集。作為帶有復(fù)雜天氣環(huán)境場(chǎng)景分類應(yīng)用的預(yù)處理模塊,簡(jiǎn)單而有效的動(dòng)態(tài)區(qū)域分割方法有助于在場(chǎng)景中選出代表天氣環(huán)境的關(guān)鍵位置用于分類。本文將場(chǎng)景動(dòng)態(tài)區(qū)域分割抽象成一個(gè)

3、多示例分類問(wèn)題,通過(guò)構(gòu)建示例特征的提取和排序、包距離度量公式、改進(jìn)的多示例K均值聚類算法等一系列步驟,成功地完成有關(guān)移動(dòng)目標(biāo)檢測(cè)的場(chǎng)景動(dòng)態(tài)區(qū)域分割。
　　(2)創(chuàng)建了一種帶有復(fù)雜天氣環(huán)境的場(chǎng)景客觀分類方法。首先,根據(jù)對(duì)比不同天氣環(huán)境的視覺(jué)表現(xiàn)所得出的三條假設(shè)構(gòu)建了一個(gè)天氣環(huán)境層次分類框架。在此基礎(chǔ)上,從場(chǎng)景的動(dòng)態(tài)區(qū)域中提取了一組時(shí)間、空間和彩色特征用于對(duì)帶有復(fù)雜天氣環(huán)境視覺(jué)表現(xiàn)的視頻進(jìn)行分類。此后,設(shè)計(jì)了一個(gè)將基于分類和回歸樹(shù)(C

4、lassificationandRegressionTree,CART)與支持向量機(jī)(C-SVM)緊密結(jié)合的非度量分類器,用于完成對(duì)復(fù)雜天氣環(huán)境的客觀有效分類。
　　(3)提出了一種基于變化時(shí)間窗的動(dòng)態(tài)天氣環(huán)境去除方法,作為動(dòng)態(tài)天氣條件下目標(biāo)檢測(cè)的預(yù)處理模塊?，F(xiàn)有的研究工作主要圍繞如何從視頻中有效地檢測(cè)雨雪展開(kāi)。本文則著重關(guān)注如何有效地去除檢測(cè)到的動(dòng)態(tài)天氣環(huán)境。為此,本文改進(jìn)了現(xiàn)存的動(dòng)態(tài)天氣環(huán)境檢測(cè)算法,亦即構(gòu)建了一種將K均值聚類

5、的離線學(xué)習(xí)和基于高斯分布的在線學(xué)習(xí)相結(jié)合的學(xué)習(xí)策略。在此基礎(chǔ)上,設(shè)計(jì)一個(gè)像素變化時(shí)間窗,用于去除視頻中的動(dòng)態(tài)天氣環(huán)境。
　　(4)創(chuàng)建了一種適應(yīng)戶外光照變化的自回歸——紋理模型,用于在帶有戶外光照變化的視頻中進(jìn)行移動(dòng)目標(biāo)檢測(cè)。根據(jù)復(fù)雜天氣環(huán)境所含的不同視覺(jué)表現(xiàn),考慮為不同的天氣環(huán)境建立不同的場(chǎng)景模型。為此,本文提出了一種適用于緩慢光照變化和快速光照變化的自回歸——紋理模型。該模型分別由適用于平穩(wěn)圖像序列的自回歸(AutoRegre

6、ssion,AR)模型和對(duì)光照變化不敏感的紋理(Texture)模型構(gòu)成。其一,針對(duì)不同的戶外光照變化分別建立了基于幀間像素亮度差統(tǒng)計(jì)直方圖的像素亮度擾動(dòng)閾值,并將其引入到AR模型的快速背景估計(jì)中。其二,設(shè)計(jì)了一種遞推的最小二乘法對(duì)AR模型進(jìn)行實(shí)時(shí)地參數(shù)估計(jì)。其三,創(chuàng)建了一種精確的紋理度量,用于完善針對(duì)移動(dòng)目標(biāo)的估計(jì)。其四,基于亮度擾動(dòng)閾值和自回歸——紋理模型(TAR)構(gòu)建了像素亮度置信區(qū)間和紋理置信區(qū)間,用于在帶有戶外光照變化的場(chǎng)景中

7、完成移動(dòng)目標(biāo)檢測(cè)。
　　(5)提出了一種基于選擇注意隱喻的分段記憶模型,用于復(fù)雜背景環(huán)境的移動(dòng)目標(biāo)檢測(cè)。如何克服記憶容量的限制,對(duì)出現(xiàn)頻率較低的確定背景狀態(tài)建立模型,這是所有基于背景剪除的移動(dòng)目標(biāo)檢測(cè)算法所面臨的問(wèn)題。解決上述問(wèn)題的關(guān)鍵在于:采用何種實(shí)時(shí)檢測(cè)和快速適應(yīng)復(fù)雜環(huán)境變化(如不同的背景光照變化)的背景識(shí)別方法,以及如何建立帶有記憶功能的背景模型。為此,本文提出了一種基于高斯混合模型(GaussianMixtureModel