论文部分内容阅读
现代社会监控视频无处不在,在视频监控系统中,通常人们对监控内容中运动目标的关注更甚于对运动目标的背景的关注。因此对视频序列中运动目标的检测、提取及增强成为人们乐于研究的对象。当然对提高运动目标的检测的可靠性、实时性,提取运动目标的精确性、运动目标的对比度等一直是人们最求的目标。现在普通的监控系统在视线不好的情况下导致运动目标模糊不清,往往导致其监控作用大大折扣。倘若识别出运动目标区域,并对其进行实时增强,将大大地有利于现实生活。本文首先讨论了运动目标的检测与提取问题,运动目标检测方法的确定主要取决于目标的运动背景和运动特性。鉴于本文研究的是静态背景下的运动目标检测提取及增强,本文介绍了三种基于静态背景下的运动目标检测提取算法:帧间差法、三帧帧间差分法、背景差分法。帧间差分法的优点是算法简单、易实现,但其只对快速运动的物体才能够提取出较完整的运动目标,且提取的运动目标有“双影”现象;三帧帧间差分法是基于帧间差分法的一种方法,它克服了帧间差分法的“双影”的缺陷;背景差分法,是一种能够完整地提取出运动目标去的方法,但其由于背景固定,对光线敏感,鲁棒性较差。本文针对背景差分法的缺点,并提出了一种以高斯统计模型为基础建立背景模型的背景差分法,改进的方法能够自适应地迎合变化的光线和场景的变更,又能较完整地提取出运动目标区域。本文讨论了对运动目标区域增强的算法。由于全局直方图均衡化算法是从整幅图像的角度出发对图像增强算法,不利于对图像中局部细节的保留和增强,而局部直方图均衡化算法从图像的局部的角度出发,有利于对图像中的局部细节进行增强。但由于局部直方图均衡化算法采用的窗口固定,会导致对图像中的局部细节采用同一标准来进行增强,这样就区分不出对局部轮廓与局部细节的处理方式。本文基于此,提出一种自适应窗口大小的局部直方图均衡化算法,在处理局部细节与轮廓方面优于局部直方图均衡化算法。实验结果表明改进算法相较于局部直方图均衡化算法对运动目标区域处理结果的PNSR值有所提高,更能挖掘出更多的运动目标区域的信息,与此同时改进算法的运算速度也优于局部直方图均衡化算法。