動態(tài)場景下基于空時顯著性的運動目標檢測研究.pdf

1、改進了一種基于混合動態(tài)紋理的空時顯著性方法，并將其應(yīng)用到運動目標檢測之中。該方法首先利用混合動態(tài)紋理(MDT)對高動態(tài)背景進行建模，然后基于中心\鄰域的框架利用時空信息計算顯著性圖。對顯著性圖進行適當?shù)拈撝堤幚?，即得到運動目標檢測結(jié)果。實驗結(jié)果表明，本文提出的方法能夠有效地改善運動目標檢測的精度。
　　顯著性是當前計算機視覺領(lǐng)域的研究熱點之一，它模擬人眼視覺注意和信息處理機制，設(shè)計類似的顯著性計算模型。到目前為止，針對靜態(tài)圖像已有

2、較為成熟的顯著區(qū)域提取方法。顯著性不考慮全局特征的變化，而重點關(guān)注局部特征對比，將其擴展到對于視頻中運動目標的處理，能夠避免在動態(tài)場景下建立運動補償模型的難題。
　　運動檢測是計算機視覺領(lǐng)域的一個經(jīng)典問題。高動態(tài)背景與相機運動是該任務(wù)的兩個難點?？諘r顯著性檢測，已被應(yīng)用到運動目標檢測中，且被證明具有對高動態(tài)背景和相機運動魯棒的特點。
　　本文首先回顧了顯著性算法的研究現(xiàn)狀，這些算法可以籠統(tǒng)的分為3類：基于底層特征、基于圖像復

3、雜度和基于生物視覺模型的。然后闡述了與顯著性有關(guān)的重要的生物學基礎(chǔ)，從這些生物學上的工作機制，我們提出了顯著性算法設(shè)計基本原則。本文也回顧了經(jīng)典的運動目標檢測算法，并提出了一種基于混合動態(tài)紋理的空時顯著性方法來檢測動態(tài)場景下的運動目標。
　　本文的主要工作和創(chuàng)新點有：
　　（1）綜述了顯著性算法研究的國內(nèi)外進展，分析常用算法的優(yōu)缺點和應(yīng)用場景；
　?。?）實現(xiàn)幀差法，W4，GMM等運動目標檢測算法，并通過實驗分析提出了