發(fā)布時(shí)間：2018-05-01 21:17

  本文選題：陰影檢測(cè) + 混合高斯模型��； 參考：《吉林大學(xué)》2017年碩士論文

【摘要】：計(jì)算機(jī)視覺是一種研究如何使計(jì)算機(jī)能夠從數(shù)字圖像或者視頻中獲得高級(jí)理解的交叉學(xué)科領(lǐng)域,從工程的角度來(lái)看,它試圖自動(dòng)化人眼視覺所能做的任務(wù)。計(jì)算機(jī)視覺的工作包括獲取、處理、分析和理解數(shù)字圖像的方法,以及從真實(shí)世界進(jìn)行高維數(shù)據(jù)的提取來(lái)產(chǎn)生諸如決策形式中的數(shù)字或符號(hào)信息。作為一個(gè)學(xué)科,計(jì)算機(jī)視覺與從圖像中提取信息的人造系統(tǒng)背后的理論有關(guān);這些圖像數(shù)據(jù)能夠具有多種形式,諸如視頻序列,多個(gè)攝像機(jī)視角,或者從一個(gè)醫(yī)學(xué)掃描儀獲得的多維數(shù)據(jù)。作為一個(gè)技術(shù)學(xué)科,計(jì)算機(jī)視覺試圖應(yīng)用它的理論和模型來(lái)進(jìn)行計(jì)算機(jī)視覺系統(tǒng)的構(gòu)造。智能視頻監(jiān)控是利用計(jì)算機(jī)視覺技術(shù)對(duì)視頻信號(hào)進(jìn)行處理、分析和理解,在不需要人為干預(yù)的情況下,通過對(duì)序列圖像自動(dòng)分析監(jiān)控和定位場(chǎng)景中變化的技術(shù)。智能視頻監(jiān)控系統(tǒng)可以從繁復(fù)的視頻幀中分辨、識(shí)別感興趣的目標(biāo)物體,自動(dòng)分析、提取視頻源中的豐富的有用信息,進(jìn)而改善了傳統(tǒng)視頻監(jiān)控系統(tǒng)的智能化水平。隨著網(wǎng)絡(luò)技術(shù)和信息技術(shù)的高速發(fā)展,模式識(shí)別領(lǐng)域中智能視頻監(jiān)控技術(shù)得到了越來(lái)越多的關(guān)注程度,已經(jīng)逐步成為近年來(lái)的最熱門的科學(xué)研究主題之一。在智能視頻監(jiān)控領(lǐng)域中,運(yùn)動(dòng)目標(biāo)的檢測(cè)是至關(guān)重要的研究課題,傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)包括光流法,幀差法和背景差分法,這些算法能夠有效的檢測(cè)出運(yùn)動(dòng)的目標(biāo)。但是當(dāng)前的前景檢測(cè)技術(shù)通常具有一個(gè)重大的缺陷:陰影往往被分類成為前景的一部分。這種情形的發(fā)生是因?yàn)殛幱芭c產(chǎn)生陰影的運(yùn)動(dòng)目標(biāo)共享相同的運(yùn)動(dòng)模式并且具有相似的亮度變化,這些陰影被誤的分類為前景導(dǎo)致了不精確的檢測(cè)結(jié)果并降低了跟蹤的性能,因而,如何獲得干凈準(zhǔn)確的目標(biāo)便成為了必不可少的一個(gè)環(huán)節(jié)。本文的研究?jī)?nèi)容主要包括對(duì)混合高斯模型的改進(jìn)并且提出了一種融合紋理特征和顏色特征的陰影檢測(cè)算法。由于混合高斯模型算法收斂速度緩慢,而且采用統(tǒng)一的更新速率使得背景模型在某些情況下耗時(shí)且背景模型不能及時(shí)的反映真實(shí)的背景變化,本文提出了一種改進(jìn)的混合高斯模型,并在背景更新過程中在不同的時(shí)間段使用不同的學(xué)習(xí)率,提高了背景建模收斂的速率,也提高了感興趣目標(biāo)的檢測(cè)率。同時(shí),本文提出了一種融合顏色和紋理特征的陰影檢測(cè)算法,在投射陰影檢測(cè)的過程中,基于顏色特征的陰影檢測(cè)得到了廣泛的應(yīng)用,但當(dāng)運(yùn)動(dòng)目標(biāo)與背景相似時(shí)運(yùn)動(dòng)目標(biāo)常會(huì)被誤檢為陰影,為了解決這個(gè)問題,結(jié)合紋理特征,本文提出了一種基于融合顏色和紋理的陰影檢測(cè)算法。仿真實(shí)驗(yàn)也表明算法的有效性。
[Abstract]:Computer vision is an interdisciplinary field that studies how to make computers gain advanced understanding from digital images or video. From the point of view of engineering, it attempts to automate the tasks that human vision can do. The work of computer vision includes the acquisition, processing, analysis and understanding of digital images, as well as the extraction of high-dimensional data from the real world to produce digital or symbolic information such as decision forms. As a discipline, computer vision has something to do with the theory behind artificial systems that extract information from images; these image data can take many forms, such as video sequences, multiple camera views, Or multidimensional data from a medical scanner. As a technical subject, computer vision tries to construct computer vision system by applying its theory and model. Intelligent video surveillance is a technology that uses computer vision technology to process, analyze and understand the video signal. It can automatically analyze, monitor and locate the changes in the scene by analyzing the sequence images without human intervention. The intelligent video surveillance system can distinguish the object of interest from the complicated video frame, automatically analyze and extract the rich useful information from the video source, and then improve the intelligence level of the traditional video surveillance system. With the rapid development of network technology and information technology, intelligent video surveillance technology in the field of pattern recognition has been paid more and more attention, and has gradually become one of the hottest scientific research topics in recent years. In the field of intelligent video surveillance, moving target detection is an important research topic. Traditional moving target detection techniques include optical flow method, frame difference method and background differential method. These algorithms can effectively detect moving targets. However, the current foreground detection techniques usually have a major defect: shadows are often classified as a part of the foreground. This happens because shadows share the same motion pattern and have similar luminance changes as the moving objects that produce them. These shadows are wrongly classified as foreground resulting in inaccurate detection results and reduced tracking performance. Therefore, how to achieve a clean and accurate goal has become an essential link. The main contents of this paper include the improvement of mixed Gao Si model and a shadow detection algorithm combining texture features and color features. Due to the slow convergence rate of mixed Gao Si algorithm and the uniform updating rate, the background model is time-consuming in some cases and the background model can not reflect the real background changes in time. In this paper, an improved mixed Gao Si model is proposed, and different learning rates are used in the process of background updating, which improves the convergence rate of background modeling and the detection rate of objects of interest. At the same time, a shadow detection algorithm combining color and texture features is proposed in this paper. In the process of shadow projection detection, shadow detection based on color features has been widely used. However, when the moving object is similar to the background, the moving object is often mistakenly detected as a shadow. In order to solve this problem and combine the texture features, a shadow detection algorithm based on the fusion of color and texture is proposed in this paper. Simulation results also show the effectiveness of the algorithm.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 熊運(yùn)余;曾凡光;周鵬;余靜;呂學(xué)斌;;一種新的多特性聯(lián)合陰影檢測(cè)方法[J];光電工程;2009年04期

2 張哲源;史穎歡;高陽(yáng);;基于色彩和形態(tài)特征的人陰影檢測(cè)方法[J];微電子學(xué)與計(jì)算機(jī);2009年10期

3 房正華;趙靜;楊新艷;;智能交通系統(tǒng)中的陰影檢測(cè)技術(shù)[J];計(jì)算機(jī)與現(xiàn)代化;2010年05期

4 杜丙新;丁國(guó)棟;;一種改進(jìn)的基于統(tǒng)計(jì)的陰影檢測(cè)方法[J];科學(xué)技術(shù)與工程;2010年32期

5 劉晉蘇;任沁源;韓波;李平;;基于微型無(wú)人機(jī)平臺(tái)的航拍動(dòng)態(tài)陰影檢測(cè)[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2010年11期

6 王磊;胡霞;;基于視頻的運(yùn)動(dòng)車輛陰影檢測(cè)與去除[J];蘇州市職業(yè)大學(xué)學(xué)報(bào);2010年03期

7 聞帆;屈楨深;閆紀(jì)紅;;集成多特征信息的運(yùn)動(dòng)陰影檢測(cè)[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2011年05期

8 張力耘;賈曉敏;陳蘇娟;;基于總變分的多特征陰影檢測(cè)方法研究[J];電力勘測(cè)設(shè)計(jì);2011年05期

9 王雨雋;;陰影檢測(cè)方法研究——基于背景縮減的陰影檢測(cè)算法[J];電腦知識(shí)與技術(shù);2011年32期

10 史波;王紅;;一種自學(xué)習(xí)陰影檢測(cè)方法[J];計(jì)算機(jī)應(yīng)用研究;2012年05期

相關(guān)會(huì)議論文 前4條

1 蔡海鵬;潘志庚;孫超;;面向視頻場(chǎng)景的虛實(shí)交互中的運(yùn)動(dòng)陰影檢測(cè)算法[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

2 魯瑋;管慶;;移動(dòng)陰影檢測(cè)和消除算法研究[A];2008年中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集（下冊(cè)）[C];2009年

3 孫睿;宮峰勛;;一種改進(jìn)的邊緣比率陰影檢測(cè)方法[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議�？痆C];2008年

4 黃建軍;彭蓉;;基于網(wǎng)絡(luò)并行的高分辨城市航空影像陰影檢測(cè)[A];全國(guó)第一屆信號(hào)處理學(xué)術(shù)會(huì)議暨中國(guó)高科技產(chǎn)業(yè)化研究會(huì)信號(hào)處理分會(huì)籌備工作委員會(huì)第三次工作會(huì)議�？痆C];2007年

相關(guān)博士學(xué)位論文 前4條

1 代江艷;視頻中運(yùn)動(dòng)目標(biāo)陰影檢測(cè)研究[D];東北師范大學(xué);2014年

2 聞帆;基于視覺的交通路口車輛智能檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2010年

3 李子龍;智能交通系統(tǒng)中視頻目標(biāo)檢測(cè)與識(shí)別的關(guān)鍵算法研究[D];華南理工大學(xué);2014年

4 湯義;智能交通系統(tǒng)中基于視頻的行人檢測(cè)與跟蹤方法的研究[D];華南理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 王占鵬;陰影特征的魯棒性評(píng)價(jià)和陰影檢測(cè)算法[D];沈陽(yáng)理工大學(xué);2015年

2 楊興旺;資源三號(hào)遙感影像陰影檢測(cè)與補(bǔ)償系統(tǒng)研究與開發(fā)[D];蘭州交通大學(xué);2015年

3 姚花琴;WorldView-2影像的城市高大地物陰影檢測(cè)建模研究[D];蘭州交通大學(xué);2015年

4 楊薇丹;復(fù)雜場(chǎng)景下的陰影檢測(cè)[D];中國(guó)海洋大學(xué);2015年

5 趙玉琴;自然光照下葡萄葉片圖像的顏色恢復(fù)與陰影檢測(cè)[D];甘肅農(nóng)業(yè)大學(xué);2016年

6 張先鵬;基于多種特征的高分辨率遙感影像陰影檢測(cè)算法研究[D];西南交通大學(xué);2016年

7 王s胬，

本文編號(hào)：1831072