視頻運動目標檢測優(yōu)化方法研究.pdf

1、視頻運動目標的檢測技術是智能視頻監(jiān)控技術研究領域的一項重要內(nèi)容,其檢測性能的好壞直接影響對視頻監(jiān)控系統(tǒng)性能優(yōu)劣的評估。如何改善視頻運動目標的檢測性能,已成為改善智能視頻監(jiān)控技術研究領域內(nèi)的熱門研究內(nèi)容。本文主要從背景減除優(yōu)化算法的研究和圖割優(yōu)化算法的研究兩個方面,展開對改善系統(tǒng)檢測性能的研究。具體內(nèi)容概括如下:
　　背景減除法是視頻運動目標檢測領域應用最為廣泛的一種,其檢測過程主要包含背景建模和前景檢測兩步。混合高斯模型是背景減除

2、法中一種常用的模型,該模型在背景建模及模型更新時需預先設置學習因子,而學習因子的取值上限限制了檢測的魯棒性及模型的更新率。本文立足于改善學習因子取值上限問題,提出了基于背景減除法的優(yōu)化算法的研究,實質(zhì)是通過對背景建模中模型參數(shù)的優(yōu)化研究,來改善檢測的性能。優(yōu)化后的算法,在建模過程借鑒擬合優(yōu)度思想,構建由經(jīng)驗分布函數(shù)和混合高斯分布函數(shù)構造的復合參數(shù)模型,并針對已構建的復合參數(shù)模型,結合帶約束條件的條件極值求解方法及非負矩陣的迭代求解方法,

3、進行模型參數(shù)的優(yōu)化求解,實現(xiàn)最優(yōu)模型參數(shù)條件下的背景建模及前景檢測。
　　圖割算法是視頻運動目標檢測的另一常用方法。傳統(tǒng)算法在對連續(xù)播放的高分辨率的視頻圖像進行檢測時,算法實施過程計算量大效率低,且檢測自適應性差。本文立足于改善檢測效率,提高檢測的自適應性,提出了對圖割優(yōu)化算法的研究。具體研究內(nèi)容包含感興趣區(qū)域的提取和自適應檢測兩部分。感興趣區(qū)域的提取,借鑒極大似然估計準則提取感興趣區(qū)域,有效地縮減目標檢測范圍,實現(xiàn)在感興趣區(qū)域內(nèi)

4、圖割提取運動目標,改善檢測效率;自適應檢測的研究,通過對檢測到的目標幾何特征(目標的面積、周長)的提取帶入Kalman濾波模型,進行模型參數(shù)的預估算,實現(xiàn)對連續(xù)播放視頻運動目標的自適應圖割檢測,提高檢測的自適應性。
　　本文的實驗部分,分別選取了簡單背景及復雜背景,室內(nèi)及室外,有光照變化及無光照變化,單個目標及多個目標,四種不同檢測情況下的多組視頻片段,通過實驗的仿真及實驗數(shù)據(jù)的分析,驗證了文中提出的優(yōu)化算法的在運動目標檢測中的優(yōu)