基于背景建模的運動目標(biāo)檢測與分割算法.pdf

1、運動目標(biāo)檢測與分割技術(shù)是計算機視覺領(lǐng)域的研究熱點，也是智能視頻監(jiān)控系統(tǒng)的重要組成部分，其目標(biāo)提取結(jié)果直接關(guān)系到后續(xù)目標(biāo)分類、跟蹤識別和行為分析等高級視頻處理的效果。本文以智能視頻監(jiān)控系統(tǒng)的需求為出發(fā)點，以固定攝像機拍攝的視頻序列為研究對象，對運動目標(biāo)檢測和分割技術(shù)進(jìn)行研究。本文對運動目標(biāo)檢測算法進(jìn)行了研究，討論了混合高斯模型、碼本方法和ViBe模型等背景建模方法，并運用不同場景的視頻對算法進(jìn)行測試，重點分析了ViBe方法的優(yōu)缺點和在不同

2、場景中的適應(yīng)能力。實驗結(jié)果表明ViBe算法在背景干擾較少的簡單場景中表現(xiàn)出良好的性能，其運行速度快，能夠較完整地檢測出運動對象，然而該算法對復(fù)雜場景的適應(yīng)能力有限，在背景擾動、光照變化等多種情況下的魯棒性不強，其檢測準(zhǔn)確性需要進(jìn)一步提高。
　　本研究針對ViBe算法在復(fù)雜場景下檢測效果不理想的問題，提出一種結(jié)合ViBe與空間紋理信息的運動目標(biāo)檢測方法。為了準(zhǔn)確描述背景模型，本文對CSLBP紋理提取方法進(jìn)行改進(jìn)，在特征計算時采用基于

3、絕對差值的閾值化操作，并且增加了自適應(yīng)相似度閾值和不同區(qū)域間的比較策略，實現(xiàn)了一種適用于背景建模的紋理描述算子。然后將改進(jìn)的紋理特征加入到ViBe模型中，綜合利用像素的顏色和紋理信息描述背景的變化。實驗結(jié)果表明，改進(jìn)算法彌補了ViBe方法在特征表示上的不足，增強了算法對光線變化、背景干擾和目標(biāo)移動緩慢等場景的適應(yīng)能力，提高了檢測的準(zhǔn)確性。運動目標(biāo)檢測后，通常采用閾值化的分割方法將運動目標(biāo)提取出來。本文對分割閾值的選取問題進(jìn)行研究，針對固

4、定閾值對視頻場景適應(yīng)性差的問題，提出了一種基于自適應(yīng)閾值的前景目標(biāo)分割方法。該算法主要分為初始閾值選取、前景區(qū)域分類和閾值更新三個階段。在閾值初始化時，本文將 Grabcut方法與背景建模算法相結(jié)合，以完整地提取前景物體，合理設(shè)置初始閾值。在前景分類和閾值更新階段，本文將K-均值聚類方法應(yīng)用于目標(biāo)分割過程，利用K-means算法對由初始閾值選取的前景區(qū)域進(jìn)行學(xué)習(xí)和分類，并根據(jù)分類結(jié)果選用合適的方法更新閾值，實現(xiàn)了運動目標(biāo)的自適應(yīng)閾值分割