论文部分内容阅读
智能视频监控系统在许多领域得到应用。一个典型的视频监控系统需要完成对视频运动对象的分割、跟踪和分析,而视频运动对象分割被认为是系统中最为关键的一步。目标检测中最为常用的一种方法是背景建模法,想要找到准确性高、效率高、鲁棒性高,且能够处理所有场景的背景建模方法并不容易。针对这一问题,本论文在结合Mean Shift理论、视频图像处理、码本算法的基础上,对视频运动对象分割算法进行了研究,着重于提高算法对不同视频序列的适应性、准确度等,主要完成了对视频的多层背景建模和前景检测。本论文主要研究内容如下:(1)针对背景建模中的精确性、占用内存大等问题,提出了一种基于Mean Shift和码本的多层背景建模算法:首先对各个位置的像素灰度采样值分别进行统计分析,具体是利用Mean Shift算法对像素灰度采样值进行聚类分析,选取若干个权重大的聚类中心建立码本,即背景模型。然后利用建立好的背景模型对视频运动对象进行分割,同时对背景模型进行不断的更新。实验结果表明,由于背景建模中采用了多层背景模型,所以有效的提高了目标分割的准确性,实现了背景模型的有效压缩,减少了对内存的需求。(2)针对动态背景下的视频运动对象分割问题,实现自适应的背景更新策略,提出了一种又粗到精的前景检测方法。在背景建模阶段,首先基于特征向量建立多层块码本模型,然后基于Mean Shift理论建立多层像素码本模型,在这两个码本模型中,为每个码元都增加了权重系数。在前景检测阶段,利用块码本滤除大部分背景,得到粗前景,再通过像素码本对粗前景细化,得到精确目标。本算法既利用了块信息,有效地加快了视频对象分割的处理速度,提高了算法的效率,而且同时利用像素信息,使视频对象分割结果细化、更加精确,提高了视频对象分割的精确度。实验结果表明,该算法在静态背景下的分割结果非常精确,在动态背景下,能够十分完整的将运动目标分割出来。该算法适用于室内监控视频序列、室外监控视频序列、单对象分割、多对象分割、动态背景分割等多种情况,视频对象分割结果准确,能够满足视频监控系统的需求。