论文部分内容阅读
随着计算机网络与通信技术、多媒体技术的快速发展,数字化视频监控系统在国民经济的各个领域中都得到广泛地应用。视频监控系统具有监控目标实时性强、适于远距离传输、便于管理人员控制等突出优点。因此对视频监控系统进行研究具有很强的理论和现实意义。视频监控的研究内容相当丰富,包括了运动目标检测、跟踪、目标分类和行为理解等方而,涉及到计算机视觉、模式识别和人工智能等领域的许多核心课题,是一个具有挑战性的课题。本文从视频处理的角度入手,针对于视频监控系统中的视频去噪、视频稳定和视频目标跟踪问题进行研究,进行了一下几个方面的研究:首先研究了面向视频的去噪算法。与一般的图像去噪不同,视频不仅仅是单幅的图像,而且是由一帧一帧的图像组成的,而图像在时间上又是相关的,噪声在时间上一般是是不相关的,这就使得对于视频序列可以在时间域上来进行滤波,因为在时间域上滤波之后能够减少相邻图像之间的差异,这样就会大大减少观看视频时闪烁现象的产生。常用的运动补偿算法都是以块为单位来进行的,因此会带来块效应。本文提出了一种非局部均值和时域平均滤波相结合的去噪方法,这样既削弱单幅图像的噪声,又克服了视频的闪烁感。其次研究了视频稳定化算法。并非所有的监控系统都安装在固定的位置,当视频监控系统作为车载设备时,拍摄的图像可能会出现抖动。本文提出一种基于粒子滤波的视频稳定化算法。在给出稳定化算法前提出一种半迭代无迹卡尔曼粒子滤波,主要思想是利用扩展卡尔曼滤波构造粒子建议分布,并通过无迹卡尔曼滤波来实现粒子的重提取。实验结果表明提出的算法的估计精度超过相比较的12种滤波算法。视频稳定化算法一般包括运动估计、运动滤波、运动补偿和图像补偿几个部分。相对于其它种类的视频稳定化算法,基于特征点的视频稳定化算法具有更高的鲁棒性。但是基于特征点的视频稳定化算法的精确度受到特征点的定位、选取和匹配误差的影响。针对于这些问题提出一种基于粒子滤波的视频稳定化算法。首先基于SURF算子提取相邻两帧图像的特征点并进行匹配,其次利用RANSAC算法剔除局部运动向量。在计算运动估计时,首先利用特征点的匹配数据基于最小二乘法来获得运动估计的初始值;其次基于该初始估计值,利用粒子滤波算法来获得运动估计的精确值。实验证明了本算法的有效性。目标分割是视频监控系统的一项重要任务。本文主要基于水平集Level Set的主动轮廓Active Contour来完成这个任务。本文首先研究了经典的主动轮廓模型LBF模型。针对LBF无法利用全局信息的特点,本文在LBF模型的能量泛函中增加一个全局控制项,克服了LBF模型对轮论廓初始位置敏感的缺点;另外为了提高了分割精度,还加入了边缘梯度约束项,并称这种改进的模型为GL模型。其次本文研究了主动轮廓先验分割模型,在此基础上结合前而提出的GL模型,得到了一种新的先验分割模型GLS模型。在视频监控视频序列的测试集上对本文提出的算法进行了测试,实验结果证明了提出算法的有效性。目标跟踪对于视频监控系统同样很重要,Camshift算法是常用的视频跟踪算法。Cmashift算法存在着扩展窗口大小和抗噪声干扰的矛盾问题。本章提出了基于加窗二维核密度模板的自适应Camshift算法ACshift。通过引入加窗二维核密度概率模板来动态调整Camshift算法的扩展窗口,同时对扩展窗口内的像素进行加权处理来抑制噪声对结果的影响。