基于形狀信息的運動目標提取方法研究.pdf

1、在智能視頻監(jiān)控網(wǎng)絡(luò)中，運動目標提取作為步態(tài)識別、行為分析的基礎(chǔ)，發(fā)揮著重要的作用。背景減除算法作為運動目標提取方法之一，受環(huán)境的影響較大，提取出的結(jié)果往往不是一個完整的目標。為了使背景減除的結(jié)果更加接近目標的真實形狀，可以將形狀這種自上向下的信息融合進背景減除方法中。當背景減除方法只包含自下向上的信息時，在存在動態(tài)干擾（場景中存在樹葉抖動、噴泉等）或者目標與背景顏色相似的環(huán)境下，一個目標可能分成多個連通域，對步態(tài)識別等高級應(yīng)用造成影響。

2、
　　為了解決這個問題，本文對如何利用形狀信息提高運動目標提取的結(jié)果，進行了深入研究。通過在線建立形狀先驗圖像和離線訓練形狀模型兩種方式，將背景減除的結(jié)果修正為一個相對完整的目標。
　　本文的主要研究工作和貢獻歸納如下:
　　(1)研究了背景減除算法并對此進行后處理操作，提出了將形狀先驗信息嵌入馬爾科夫隨機場(Markov random fields，MRF)的后處理算法。設(shè)計了形狀先驗信息對應(yīng)的局部能量函數(shù)，利用當前

3、幀的前面多幀結(jié)果的信息構(gòu)造形狀先驗圖像，目的是利用已有的背景減除結(jié)果引導(dǎo)后續(xù)的運動目標提取過程。此外，在計算形狀先驗時通過提取運動目標的連通域的方式對運動目標定位，以降低背景擾動為前景的概率，增加運動目標為前景的概率。在混合高斯(GaussianMixture Model，GMM)背景減除的基礎(chǔ)上，使用帶有形狀先驗的MRF后處理對結(jié)果進行修正。實驗表明，本文提出的方法的結(jié)果優(yōu)于GMM和GMM帶有MRF后處理的結(jié)果，可以提高存在動態(tài)干擾等

4、復(fù)雜場景下的運動目標提取結(jié)果。
　　(2)本文提出了一種將DBM應(yīng)用于對背景減除進行后處理的方法，以解決顏色相似場景下，背景減除結(jié)果中的運動目標發(fā)生斷開的情況。將深度玻爾茲曼機(deep Boltzmann machine，DBM)方法應(yīng)用于正側(cè)面行走的行人形狀模型的建立，并使用此模型對背景減除的結(jié)果進行重構(gòu)。實驗證明該方法能夠?qū)φ齻?cè)面行走的人體形狀進行修正，并且在顏色相似的真實場景中得到完整的行人形狀，與GMM相比，提高了背景減