隨著計(jì)算機(jī)視覺的發(fā)展和國家政府部門對(duì)安防事業(yè)的關(guān)注,為響應(yīng)政府的相關(guān)政策,智能監(jiān)控系統(tǒng)得到廣泛的應(yīng)用與研究,同時(shí)大量的攝像頭安裝在我們生活的各個(gè)角落。視頻監(jiān)控?cái)?shù)據(jù)爆炸式增長(zhǎng),為后續(xù)的處理工作帶來巨大挑戰(zhàn)。視頻濃縮技術(shù)對(duì)原始視頻進(jìn)行處理,將感興趣目標(biāo)重新排列組合,形成一個(gè)高度濃縮的視頻。它的提出為解決海量視頻監(jiān)控?cái)?shù)據(jù)存儲(chǔ)難、檢索難、運(yùn)輸難提供了新的思路,成為智能監(jiān)控系統(tǒng)的重要組成部分。本文主要闡述了組成視頻濃縮系統(tǒng)的三種核心技術(shù)的原理,著重對(duì)視頻濃縮過程中的運(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)跟蹤、和軌跡組合和拼接幾個(gè)關(guān)鍵步驟進(jìn)行討論。并針對(duì)視頻濃縮系統(tǒng)存在的缺點(diǎn),對(duì)其中的算法進(jìn)行改進(jìn)與優(yōu)化,完成對(duì)視頻濃縮系統(tǒng)的搭建。本文的主要工作如下:(1)運(yùn)動(dòng)目標(biāo)檢測(cè)作為視頻濃縮系統(tǒng)搭建的基礎(chǔ),目的是為了提取到完整的背景與運(yùn)動(dòng)目標(biāo),并將二者區(qū)分開來。本文選用CLD與ViBe算法融合的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù),來彌補(bǔ)原始ViBe算法出現(xiàn)“鬼影”的問題,而對(duì)檢測(cè)帶來的干擾。該方法通過CLD顏色空間描述子選取視頻關(guān)鍵幀,對(duì)選取關(guān)鍵幀進(jìn)行三幀差分,得到真實(shí)的背景模型,然后結(jié)合ViBe對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè),在背景模型更新的階段加入自...

【文章頁數(shù)】：89 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 視頻摘要研究現(xiàn)狀
        1.2.2 視頻濃縮研究現(xiàn)狀
        1.2.3 運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)的國內(nèi)外研究現(xiàn)狀
    1.3 本文工作與安排
        1.3.1 主要研究?jī)?nèi)容及內(nèi)容
        1.3.2 論文章節(jié)安排
第2章 視頻濃縮基礎(chǔ)框架分析
    2.1 視頻濃縮原理
    2.2 運(yùn)動(dòng)目標(biāo)檢測(cè)
        2.2.1 幀差法
        2.2.2 基于高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)算法
        2.2.3 ViBe算法
    2.3 運(yùn)動(dòng)目標(biāo)跟蹤算法
        2.3.1 卡爾曼濾波
        2.3.2 粒子濾波算法
    2.4 軌跡組合優(yōu)化技術(shù)
        2.4.1 基于運(yùn)動(dòng)過程的軌跡組合方法
        2.4.2 多視頻軌跡組合方法
    2.5 本章小結(jié)
第3章 基于CLD與 ViBe算法融合的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)
    3.1 顏色布局描述子
    3.2 基于CLD與 ViBe算法融合的運(yùn)動(dòng)目標(biāo)檢測(cè)
        3.2.1 基于CLD描述子與三幀差分的背景初始化
        3.2.2 動(dòng)態(tài)背景下的背景更新策略
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 基于單目標(biāo)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法實(shí)驗(yàn)對(duì)比
        3.3.2 基于多目標(biāo)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法實(shí)驗(yàn)對(duì)比
        3.3.3 運(yùn)動(dòng)速度不同對(duì)基于CLD的 ViBe算法的影響
        3.3.4 針對(duì)運(yùn)動(dòng)目標(biāo)的不同速度下算法參數(shù)的最優(yōu)選擇
        3.3.5 動(dòng)態(tài)背景下的背景更新策略
        3.3.6 時(shí)間復(fù)雜度對(duì)比實(shí)驗(yàn)
    3.4 本章小結(jié)
第4章 融合運(yùn)動(dòng)目標(biāo)特征的粒子濾波多目標(biāo)跟蹤技術(shù)
    4.1 顏色特征描述子與方向梯度特征的提取
        4.1.1 顏色特征描述子
        4.1.2 方向梯度描述子
    4.2 融合運(yùn)動(dòng)目標(biāo)特征的粒子濾波多目標(biāo)跟蹤技術(shù)
        4.2.1 HOG與 HSV的特征融合
        4.2.2 基于多特征融合的粒子濾波器
    4.3 實(shí)驗(yàn)結(jié)果及分析
    4.4 多目標(biāo)跟蹤
    4.5 本章小結(jié)
第5章 基于能量代價(jià)函數(shù)的軌跡組合優(yōu)化以及濃縮視頻的生成
    5.1 基于能量代價(jià)函數(shù)的軌跡組合優(yōu)化
        5.1.1 能量代價(jià)函數(shù)
        5.1.2 能量最小化求解最優(yōu)軌跡組合
    5.2 泊松融合
    5.3 合成濃縮視頻
    5.4 本章小結(jié)
結(jié)論
致謝
參考文獻(xiàn)
作者簡(jiǎn)介
攻讀碩士學(xué)位期間發(fā)表論文目錄



本文編號(hào)：3825400