基于支持向量機和高斯混合模型的視頻運動對象分割算法.pdf

1、視頻運動對象分割是數(shù)字視頻處理和計算機視覺的重要研究領(lǐng)域之一，同時也是智能視頻監(jiān)控等關(guān)鍵應用中的核心技術(shù)。雖然人們已經(jīng)做了大量研究工作，但目前還沒有一種通用的方法能夠有效地將運動前景從背景中分割出來，因此視頻序列中運動前景的分割已經(jīng)成為當前圖像處理領(lǐng)域的研究熱點?；诟咚够旌媳尘澳Ｐ停℅MM:Gaussian Mixture Model）的算法是基于背景消減法的運動對象分割算法中的經(jīng)典代表，有著易于實現(xiàn)、對多峰分布背景建模以及背景模型自

2、適應等優(yōu)點，但其受復雜背景（光線變化，樹葉擺動和雨雪天氣）的影響，對前景對象的分割效果并不理想，極大地制約了其應用適應性。 論文首先介紹了視頻對象分割技術(shù)發(fā)展狀況，分析了視頻對象分割方法理論，然后深入研究了高斯混合模型和支持向量機的理論及其視頻對象分割方法，在此基礎(chǔ)上，提出了一種將高斯混合模型與支持向量機（SVM:Support Vector Machine）分類器相結(jié)合的算法。該算法的特點是充分利用傳統(tǒng)高斯模型的優(yōu)點，同時彌補

3、高斯混合模型僅采用空域信息進行背景建模的不足，引入基于統(tǒng)計學習理論的支持向量機對前景和背景進行二分類，提高視頻對象分割的質(zhì)量和穩(wěn)定性。算法首先將視頻圖像由高斯混合模型做初步二值化分割；同時對有代表性的三幀圖像（背景幀、當前幀、當前幀的前一幀）進行網(wǎng)格化分塊，從中獲取視頻時域信息，根據(jù)幀間對應塊元素的統(tǒng)計量運算得到特征向量。然后，用特征向量訓練SVM分類器，并完成核函數(shù)的選擇和分類器參數(shù)尋優(yōu)，用訓練后的分類器進行像素分類，獲取對應的前景塊