论文部分内容阅读
随着信息技术的快速发展以及社会对公共安全的日益关注,视频监控系统已经在国防军事、交通监控、敏感重要场合以及普通民用领域得到了广泛应用。视频监控技术的快速发展带来的海量监控视频已经超出了人力的处理能力范围,智能化将是监控技术发展的必然趋势。运动目标检测作为智能视频监控系统的关键步骤,具有重要的研究意义和实用价值。针对现有运动目标检测算法存在的不足之处,本文在以下几方面进行了研究并取得了一些研究成果：(1)针对运动目标本身部分灰度与背景图像相近的情况,提出了一种基于改进的混合高斯背景模型和像素分类的运动目标检测算法。该方法首先利用改进的混合高斯背景模型进行背景提取,以克服场景变化等因素带来的影响；然后,在进行背景差分后对得到的差分图像进行像素分类,完成分类后再分别进行阈值化分割。多次仿真实验结果表明,与传统的基于全局阈值的分割方法相比,本文算法的检测率平均提高了约26.50%,误检率下降了约2.756%,时间复杂度平均下降了约27.13%,能够获得更好的检测效果和鲁棒性。(2)针对室外复杂的交通监控场景,为改进单独利用帧差法或背景减法进行运动目标检测时存在的不足,提高运动目标检测的准确率和鲁棒性,提出了一种利用边缘信息的帧间差分法和背景差分法相结合的运动目标检测方法。该方法首先通过基于边缘信息的三帧差法获得一幅前景图像,然后利用改进的mode算法进行背景差分获得另外一幅前景图像；最后,将得到的两幅前景图像进行布尔或运算,得到前景运动车辆。经过大量实验仿真,从得到的结果中可以看到,通过该算法,运动车辆检测的准确率提高了大约4.96%-36.01%,时间复杂度下降了约40%,并具有较好的鲁棒性。(3)提出并实现了一种监控场景下的运动阴影检测与消除算法。监控场景中的运动阴影对目标的检测结果有着重要影响,如果不进行检测和消除,将直接关系到后续处理的正常进行。为了提高传统阴影检测算法的有效性和鲁棒性,本文提出了一种综合灰度和纹理特征的运动阴影检测方法。该方法通过背景差分法提取运动区域后,利用快速归一化互相关函数对运动区域进行检测,获得可能存在的阴影区域；然后,利用Gabor小波分析已提取阴影区域的纹理特征,得到最终的阴影区域。实验结果表明,该算法能够实时有效地进行阴影检测,阴影检测率和目标检测率分别提高了约5.19%和1.10%,时间复杂度降低了约29.42%,并具有较强的鲁棒性。