论文部分内容阅读
作为计算机视觉的第一步,运动检测是一个具有挑战性的问题。该问题在监控安防领域有广泛应用,且经常作为其他更高级别应用的输入。通常情况下,该问题都假设了摄像机处于静止的状态,但由于近年来大量的非静态摄像机的出现,摄像机必须保持静止这一假设前提极大的限制了运动检测的应用范围。因此,一个新的挑战“非静态摄像机中的运动检测”在计算机视觉领域中被提了出来。在由非静止的摄像机获取得到视频中,运动物体的运动与摄像机的运动混合在一起。此时任何出现在视频中的物体,其位置都可能因为摄像机的运动而改变。现有的方法大都致力于利用运动估计来抵消摄像机的运动,但同时也受限于运动估计的精度。由于自然场景的复杂性和摄像机运动的不确定性,目前很难对摄像机的运动进行完美的估计。针对这个问题,论文提出了前景背景线索聚合模型。该模型最主要的创新点是不关注提升运动估计的效果,而是通过聚合粗糙的前景背景线索来提升运动目标检测的性能。论文的主要工作包括:(1)论文阐述了非静态摄像机运动检的意义以及国内外的研究现状。通过对比现有方法的优缺点以及目前,阐述了非静态摄像机中运动检测面临的挑战。(2)论文提出了利用单应性转换提取背景的方法。详述了什么是单应性转换,以及为什么单应性转换可以在非静态的摄像机中提取背景,并且通过一系列的演示实验展示了单应性转换的背景提取效果。(3)论文提出了前景背景聚合运动目标检测模型,前景线索使用了扩展传统的背景建模方法,背景线索使用了SIFT特征对运动进行估计。论文所提模型使用超像素对前景线索和背景线索进行聚合来分割运动物体。由于前景背景之间的互斥性,前景线索和背景线索之间可以互补对方的缺点。因此该方法使用粗糙的前景背景线索就可以得到精准的运动检测结果。(4)论文在经典测试数据集上与现有主流方法进行对比实验,实验结果表明:论文提出的算法在复杂场景中取得了好的检测结果,优于现有算法。