论文部分内容阅读
计算机视觉领域中的智能视频监控技术已经逐渐成为社会公共安全系统的核心部分。而运动目标的检测是智能监控系统中的关键技术,也是监控系统中实现目标跟踪、行为分析与理解以及目标分类等工作的前提。运动目标检测的结果直接关系到监控系统的智能程度。本文在了解智能视频监控技术的研究历程和运动目标检测技术的研究现状的基础上,对传统运动目标检测算法存在的问题和不足做了较详细的分析,并针对现实监控场景的复杂性,对基于混合高斯模型(Gaussian Mixture Model, GMM)的运动检测算法做了深入的研究,继而提出了新的改进算法。新算法不但提高了运动检测的完整和准确性,而且增强了高斯模型对环境变化的适应性。本文的主要工作如下:(1)对运动目标检测中常用的技术做了研究,主要有图像的色彩空间转换、运动检测的前后处理和常见的运动检测方法,给出了帧差法和背景差分法的运动检测原理和流程,并对这两种方法进行实验结果对比分析,得出方法各自存在的优缺点和适用场景。(2)根据场景中像素点在时域上符合高斯分布的特点,对基于单高斯(Single Gaussian Model, SGM)和GMM的运动检测展开了详细的研究,并对这两种运动检测方法的背景建模、更新以及运动检测过程都进行了细致的分析。实验结果表明,GMM在复杂场景下的运动检测效果更准确。(3)利用滑动窗技术具有短暂的历史记忆特点,提出一种新颖的基于滑动窗的GMM运动目标检测方法。该方法弥补了传统GMM存在的一个致命性的缺点:随着时间的推移,模型参数收敛缓慢且难以适应场景中真实背景的实时变化,从而导致运动目标的错误检测率增加。同时方法提高了运动检测的完整性,并进一步降低了算法对场景光照变化的敏感性。经过在多个监控场景下的进行对比实验,结果表明滑动窗的GMM运动检测方法能更准确、完整地检测出运动目标,且方法具有更好的环境适应性。(4)利用运动阴影不影响背景模型的建立和更新的特点,使用背景减除法初步确定前景区域,然后结合基于彩色空间的阴影抑制算法将前景区域的阴影分割出来,最终得到准确的运动目标。解决了监控场景由于遭受光照的影响,导致运动检测结果中常常包括运动阴影的问题。在同一场景下进行了多种背景减法的阴影抑制算法对比实验,结果表明,当输入的前景区域为滑动窗GMM的运动检测结果时算法具有较好的阴影抑制效果。