特征提取在運(yùn)動目標(biāo)檢測中的應(yīng)用分析.pdf

1、運(yùn)動目標(biāo)檢測是計算機(jī)視覺中一項重要的基礎(chǔ)工作,它對后續(xù)的目標(biāo)識別、目標(biāo)跟蹤和行為理解等應(yīng)用會產(chǎn)生重要影響,在智能監(jiān)控系統(tǒng)、智能交通、人機(jī)交互和基于對象的視頻圖像壓縮方面也有著廣泛的應(yīng)用。然而實(shí)際檢測環(huán)境復(fù)雜多變,光照變化、動態(tài)背景、物體投影和隨機(jī)噪聲都等問題增大了目標(biāo)檢測的難度。目前,研究者們已經(jīng)提出了許多目標(biāo)檢測方法,包括幀差法、光流法和背景建模法等。
　　前景分割是目標(biāo)檢測的最后一個步驟,傳統(tǒng)的基于像素的劃分和基于分塊的劃分方

2、法都各自存在不足?；谙袼氐那熬皠澐趾雎粤藞D像豐富的鄰域空間信息,而基于分塊的前景劃分則可能造成塊效應(yīng)。一種基于重疊分塊的前景劃分方法被學(xué)者提出,這種方法能夠克服基于像素劃分和基于分塊劃分方法的不足,并且該方法具有一種自我矯正機(jī)制能夠有效減少前景像素錯分概率,但是該方法中分塊的特征提取采用的是相對簡單的DCT系數(shù),有鑒于此,論文將2D PCA和統(tǒng)一模式LBP兩種特征提取算法引入到分塊特征提取中。
　　本文主要完成了以下工作:

3、>　　(1)對常見的運(yùn)動目標(biāo)檢測方法原理進(jìn)行了介紹,分析總結(jié)了現(xiàn)有的幾種經(jīng)典運(yùn)動目標(biāo)檢測算法的優(yōu)劣,詳細(xì)介紹了單高斯和混合高斯的模型的定義、模型的更新和模型的建立。
　　(2)系統(tǒng)研究了2D PCA的建模和在線更新方法,將2D PCA算法應(yīng)用到基于重疊分塊的前景劃分中,構(gòu)造出一種運(yùn)動目標(biāo)檢測方法。
　　(3)系統(tǒng)研究了統(tǒng)一模式LBP的表征方法,統(tǒng)一模式LBP直方圖條目較基本LBP直方圖更少,能夠減少計算量并有效抑制噪聲,論文

4、將統(tǒng)一模式LBP直方圖與基于重疊分塊的前景劃分方法相結(jié)合,構(gòu)造出另外一種運(yùn)動目標(biāo)檢測方法。
　　(4)在VISUAL STUDIO 2010平臺上采用OpenCV庫,對標(biāo)準(zhǔn)視頻序列進(jìn)行了運(yùn)動目標(biāo)檢測的對比實(shí)驗。在實(shí)驗中分別采用GMM、DCT重疊分塊法、2D PCA重疊分塊法和LBP重疊分塊法進(jìn)行測試得到了4種不同的實(shí)驗結(jié)果,并將實(shí)驗結(jié)果與手工提取的前景目標(biāo)進(jìn)行比較,詳細(xì)分析幾種算法的優(yōu)劣,實(shí)驗表明統(tǒng)一模式LBP重疊分塊法有效改善了