復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)分割和識(shí)別的關(guān)鍵技術(shù)研究.pdf

1、本文的研究目標(biāo)是實(shí)現(xiàn)一個(gè)復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)分割和識(shí)別系統(tǒng)。運(yùn)動(dòng)目標(biāo)分割方面。本文首先研究和比較了運(yùn)動(dòng)目標(biāo)分割算法，指出在這些算法中，背景差法最適于解決本文中的運(yùn)動(dòng)船只分割問(wèn)題。然后，使用了一種基于色度和亮度空間的混合高斯背景模型，并基于這個(gè)模型實(shí)現(xiàn)了運(yùn)動(dòng)船只的背景差分割。運(yùn)動(dòng)目標(biāo)檢測(cè)方面。通過(guò)了大量的實(shí)驗(yàn)，本文使用了Connected Components算法和包圍盒技術(shù)來(lái)解決背景噪音過(guò)濾和運(yùn)動(dòng)目標(biāo)檢測(cè)的問(wèn)題。本文還通過(guò)實(shí)驗(yàn)對(duì)8方

2、向和4方向的Connected Components算法進(jìn)行了比較。目標(biāo)特征提取方面。本文提出了一種邊緣點(diǎn)跟蹤檢測(cè)算法，利用原始圖像的邊緣信息來(lái)獲得更精確的船只輪廓。此外，還使用空洞填充和圖像閉操作來(lái)獲得完整連貫的目標(biāo)區(qū)域。最后，本文提出了用于船只分類(lèi)的8個(gè)特征。分類(lèi)算法方面。本文首先研究和比較了目前各種主要的分類(lèi)算法，指出支持向量機(jī)（SVM）算法是本文應(yīng)用的最好選擇。然后，本文介紹了SVM分類(lèi)器的實(shí)現(xiàn)，并使用SVM算法進(jìn)行了船只分