基于自適應高斯混合模型的運動檢測算法研究.pdf

1、在智能視頻監(jiān)控、運動分析、人機接口的姿態(tài)識別等應用中，一個基礎而又關(guān)鍵的任務是從視頻序列中實時檢測出運動目標。對于固定攝像頭監(jiān)控系統(tǒng)，混合高斯法是最成功的運動檢測方法之一?；旌细咚狗ㄖ饕婕暗饺矫妫夯旌细咚鼓Ｐ蛯W習、模型分類和運動檢測，經(jīng)典混合高斯法在這些方面都做了非常了不起的開創(chuàng)性工作，在應用中取得很大的成功。但經(jīng)典方法也存在一些不足之處，本文在研究經(jīng)典算法的基礎上提出部分改進，開展了如下研究工作： (1)在線模型學習是該方

2、法的要點所在。經(jīng)典在線模型學習方法，模型收斂比較慢。本文通過研究，發(fā)現(xiàn)對于均值和方差，兩者的在線學習過程有著本質(zhì)差別?；谶@一點本文提出：均值與方差采用不同的學習率，其中均值更新采用自適應的學習率，方差的學習率采用固定值。該方法提高了模型的收斂速度，同時保證了學習系統(tǒng)的穩(wěn)定性。 (2)決定哪些模型是背景，是一個啟發(fā)式問題，如何正確地定義背景并有效地表達背景是一個難點問題。由于場景的復雜性，經(jīng)典方法在繁忙場景下，運動物體大而慢時，

3、運動目標檢測的效果不理想。本文在考慮更多的時間相關(guān)性基礎上，針對模型分類，提出“權(quán)值均值”概念，然后結(jié)合權(quán)值進行像素點的前景和背景分類。該方法為模型分類提供了更多信息量，有效地提高了運動目標的檢測能力。 (3)運動檢測是算法的最終目的。由于經(jīng)典算法在匹配閾值上，局限于單像素點的考慮，難以獲取完整目標。本文在研究PCNN算法基礎上，提出了自適應局部閾值算法；其次，改進方法結(jié)合區(qū)域增長思想，利用PCNN的迭代計算，逐步檢測出運動目標