论文部分内容阅读
运动目标检测与分割技术是计算机视觉领域的研究热点,也是智能视频监控系统的重要组成部分,其目标提取结果直接关系到后续目标分类、跟踪识别和行为分析等高级视频处理的效果。本文以智能视频监控系统的需求为出发点,以固定摄像机拍摄的视频序列为研究对象,对运动目标检测和分割技术进行研究。本文对运动目标检测算法进行了研究,讨论了混合高斯模型、码本方法和ViBe模型等背景建模方法,并运用不同场景的视频对算法进行测试,重点分析了ViBe方法的优缺点和在不同场景中的适应能力。实验结果表明ViBe算法在背景干扰较少的简单场景中表现出良好的性能,其运行速度快,能够较完整地检测出运动对象,然而该算法对复杂场景的适应能力有限,在背景扰动、光照变化等多种情况下的鲁棒性不强,其检测准确性需要进一步提高。针对ViBe算法在复杂场景下检测效果不理想的问题,本文提出一种结合ViBe与空间纹理信息的运动目标检测方法。为了准确描述背景模型,本文对CSLBP纹理提取方法进行改进,在特征计算时采用基于绝对差值的阈值化操作,并且增加了自适应相似度阈值和不同区域间的比较策略,实现了一种适用于背景建模的纹理描述算子。然后将改进的纹理特征加入到ViBe模型中,综合利用像素的颜色和纹理信息描述背景的变化。实验结果表明,改进算法弥补了ViBe方法在特征表示上的不足,增强了算法对光线变化、背景干扰和目标移动缓慢等场景的适应能力,提高了检测的准确性。运动目标检测后,通常采用阈值化的分割方法将运动目标提取出来。本文对分割阈值的选取问题进行研究,针对固定阈值对视频场景适应性差的问题,提出了一种基于自适应阈值的前景目标分割方法。该算法主要分为初始阈值选取、前景区域分类和阈值更新三个阶段。在阈值初始化时,本文将Grabcut方法与背景建模算法相结合,以完整地提取前景物体,合理设置初始阈值。在前景分类和阈值更新阶段,本文将K-均值聚类方法应用于目标分割过程,利用K-means算法对由初始阈值选取的前景区域进行学习和分类,并根据分类结果选用合适的方法更新阈值,实现了运动目标的自适应阈值分割。实验结果表明,该方法克服了固定阈值算法的缺陷,能够快速适应场景的变化,有效地分割出运动目标。本文提出的改进算法对监控领域内的目标检测与分割具有一定的理论价值,但是受算法本身的复杂性所限,还无法满足实际应用中对实时性的需求。如何进一步提高目标检测与分割算法的效率是未来工作中需要解决的问题。