论文部分内容阅读
运动目标检测是计算机视觉中一项重要的基础工作,它对后续的目标识别、目标跟踪和行为理解等应用会产生重要影响,在智能监控系统、智能交通、人机交互和基于对象的视频图像压缩方面也有着广泛的应用。然而实际检测环境复杂多变,光照变化、动态背景、物体投影和随机噪声都等问题增大了目标检测的难度。目前,研究者们已经提出了许多目标检测方法,包括帧差法、光流法和背景建模法等。前景分割是目标检测的最后一个步骤,传统的基于像素的划分和基于分块的划分方法都各自存在不足。基于像素的前景划分忽略了图像丰富的邻域空间信息,而基于分块的前景划分则可能造成块效应。一种基于重叠分块的前景划分方法被学者提出,这种方法能够克服基于像素划分和基于分块划分方法的不足,并且该方法具有一种自我矫正机制能够有效减少前景像素错分概率,但是该方法中分块的特征提取采用的是相对简单的DCT系数,有鉴于此,论文将2D PCA和统一模式LBP两种特征提取算法引入到分块特征提取中。本文主要完成了以下工作:(1)对常见的运动目标检测方法原理进行了介绍,分析总结了现有的几种经典运动目标检测算法的优劣,详细介绍了单高斯和混合高斯的模型的定义、模型的更新和模型的建立。(2)系统研究了2D PCA的建模和在线更新方法,将2D PCA算法应用到基于重叠分块的前景划分中,构造出一种运动目标检测方法。(3)系统研究了统一模式LBP的表征方法,统一模式LBP直方图条目较基本LBP直方图更少,能够减少计算量并有效抑制噪声,论文将统一模式LBP直方图与基于重叠分块的前景划分方法相结合,构造出另外一种运动目标检测方法。(4)在VISUAL STUDIO2010平台上采用OpenCV库,对标准视频序列进行了运动目标检测的对比实验。在实验中分别采用GMM、DCT重叠分块法、2DPCA重叠分块法和LBP重叠分块法进行测试得到了4种不同的实验结果,并将实验结果与手工提取的前景目标进行比较,详细分析几种算法的优劣,实验表明统一模式LBP重叠分块法有效改善了原重叠分块法的检测效果,在多种测试环境中表现良好。