论文部分内容阅读
本文综合运用了图像处理与模式识别、自适应控制等相关理论和技术,在
智能视频交通系统国际合作项目应用背景下,研究了视频信息处理技术在光照
变化、下雨天、多运动目标等复杂背景环境下目标场景的自适应提取方法。
研究了两种基于非线性滤波理论的目标场景自适应提取算法:渐消记忆递
归最小二乘法和自适应中值滤波算法(AMF算法)。利用这两种算法进行目标场
景提取,考察了算法在目标场景提取中的训练速度、收敛情况和目标场景提取
效果,并对不同场景进行了自适应提取实验。这两种方法硬件实现简单,特别
是AMF算法计算量少、提取速度快,具有很好的鲁棒性。
研究了利用帧间差分原理进行目标场景自适应提取的两种算法:Surendra
算法和二次更新算法。分析了这两种算法的原理和特点,编写了对应的算法程
序,进行目标场景自适应提取实验。实验结果表明这两种算法有较快的场景背
景重建和更新速度,特别二次更新算法在场景突变方面有很快的适应能力。
研究了运用高斯混合模型(MOG算法)进行目标场景自适应提取的方法。
分析了该算法的模型匹配原理,并应用该算法设计了相应的程序结构,采用实
际的室内外视频图像来验证该算法的目标场景提取性能。
最后,本文依据实际工程项目应用所关心的目标场景提取的实时性、准确
性、鲁棒性和实用性,重点通过多个视频场景对各种算法进行了综合性能的比
较,并提供了具体的实验数据结果和参考方案。实验结果同时表明对这些算法
的研究具有很好的实际效果。本文还利用Visual C++编程平台,开发了利用这些
算法进行目标场景自适应提取的实用软件,并对算法进行了优化,使其能够适
应DSP硬件的实际运行。
关键词:图像处理,自适应提取,视频信息处理,智能交通,背景差法