在移動目標(biāo)檢測算法研究中,研究者都想得到被檢測目標(biāo)的全部信息,但是由于各種外界以及目標(biāo)自身一些固有因素的影響,檢測結(jié)果與最理想的結(jié)果總是有一些差距,這樣的結(jié)果常常會影響到人們對圖像以及視頻的精確處理和分析。論文就水面上移動目標(biāo)的檢測及統(tǒng)計方法展開了相關(guān)研究,著重研究了水面上移動目標(biāo)的檢測算法建模,以及移動目標(biāo)的數(shù)量統(tǒng)計方法。論文首先介紹了移動目標(biāo)檢測及統(tǒng)計的研究背景、意義及現(xiàn)狀,對一些主流方法進(jìn)行了簡單的介紹與對比分析,并討論了現(xiàn)今目標(biāo)檢測算法所面臨的問題與挑戰(zhàn)。本論文主要對于移動目標(biāo)檢測及統(tǒng)計算法進(jìn)行了研究,其主要研究內(nèi)容以及具體創(chuàng)新點如下:提出了基于稀疏模型的水面上移動目標(biāo)檢測算法,采用稀疏表示理論來訓(xùn)練出一個動態(tài)水面背景字典,再通過字典就可以方便重構(gòu)出背景圖像塊。如果已知一幅圖像,又能夠估計出它的背景圖像,那么就能夠更精確的得到移動目標(biāo)。提出了基于區(qū)間背景模型的移動目標(biāo)檢測算法,該算法首先從一段無移動目標(biāo)的視頻中,學(xué)習(xí)出視頻序列中每個坐標(biāo)點上背景值的變化范圍,并將其組成區(qū)間背景模型。在移動目標(biāo)檢測時,按逐點掃描進(jìn)行檢測,將當(dāng)前像素的值與背景模型的值進(jìn)行比較,如果像素點的值在背景模... 

【文章來源】：南昌工程學(xué)院江西省

【文章頁數(shù)】：61 頁

【學(xué)位級別】：碩士

【部分圖文】：

結(jié)果圖STD算法

第二章基于稀疏模型的水面上移動目標(biāo)檢測算法13從表中可以看出本章算法比DGS算法快很多,并且與STD算法的處理速度差不多。主要原因是：DGS算法的復(fù)雜度非常高，該算法在背景模型的構(gòu)建過程中要花費大量的時間，所以算法整體耗時比較多。而STD算法雖然在背景模型構(gòu)建中花了相比本章算法背景構(gòu)建階段較多的時間，但是在移動目標(biāo)檢測過程中以其快速準(zhǔn)確的特點彌補(bǔ)了該算法整體的幀處理時間，所以能夠與本章算法的實時性相差無幾。而本章算法只是在字典訓(xùn)練時需要消耗一些時間，在重建背景時，消耗的時間非常少。2）主觀視覺效果比較和分析為驗證本章算法在主觀視覺方面的效果，在這里選取ducks視頻中的第229幀和第366幀圖片作為測試圖，且分別與STD、DGS算法進(jìn)行比較，來說明本章算法的可行性。具體如圖2.1、圖2.2所示。原圖STD算法結(jié)果圖DGS算法結(jié)果圖本章算法結(jié)果圖圖2.1ducks視頻第229幀各算法結(jié)果對比圖Figure2.1comparisonoftheresultsofeachalgorithminframe229ofducksvideo

第二章基于稀疏模型的水面上移動目標(biāo)檢測算法13從表中可以看出本章算法比DGS算法快很多,并且與STD算法的處理速度差不多。主要原因是：DGS算法的復(fù)雜度非常高，該算法在背景模型的構(gòu)建過程中要花費大量的時間，所以算法整體耗時比較多。而STD算法雖然在背景模型構(gòu)建中花了相比本章算法背景構(gòu)建階段較多的時間，但是在移動目標(biāo)檢測過程中以其快速準(zhǔn)確的特點彌補(bǔ)了該算法整體的幀處理時間，所以能夠與本章算法的實時性相差無幾。而本章算法只是在字典訓(xùn)練時需要消耗一些時間，在重建背景時，消耗的時間非常少。2）主觀視覺效果比較和分析為驗證本章算法在主觀視覺方面的效果，在這里選取ducks視頻中的第229幀和第366幀圖片作為測試圖，且分別與STD、DGS算法進(jìn)行比較，來說明本章算法的可行性。具體如圖2.1、圖2.2所示。原圖STD算法結(jié)果圖DGS算法結(jié)果圖本章算法結(jié)果圖圖2.1ducks視頻第229幀各算法結(jié)果對比圖Figure2.1comparisonoftheresultsofeachalgorithminframe229ofducksvideo

【參考文獻(xiàn)】：
期刊論文
[1]Otsu閾值分割法特點及其應(yīng)用分析[J]. 袁小翠,黃志開,馬永力,劉寶玲.  南昌工程學(xué)院學(xué)報. 2019(01)
[2]空譜聯(lián)合的高光譜遙感圖像稀疏解混綜述與展望[J]. 張紹泉,李軍,鄧承志,汪勝前.  南昌工程學(xué)院學(xué)報. 2018(06)
[3]一種多特征融合的運(yùn)動目標(biāo)檢測算法[J]. 張松,杜宇人.  揚(yáng)州大學(xué)學(xué)報(自然科學(xué)版). 2018(04)
[4]融合五幀差分和codebook模型的運(yùn)動目標(biāo)檢測[J]. 李春敏,鄔春學(xué),熊乃學(xué).  電子科技. 2018(11)
[5]復(fù)雜動態(tài)背景下的運(yùn)動目標(biāo)檢測[J]. 王思明,韓樂樂.  光電工程. 2018(10)
[6]基于邊緣對比差分算法的運(yùn)動目標(biāo)檢測[J]. 劉小靜,薛峰.  計算機(jī)工程. 2018(10)
[7]視頻圖像中的人臉檢測算法研究[J]. 吳秀,吳薇.  物聯(lián)網(wǎng)技術(shù). 2018(09)
[8]基于改進(jìn)ViBe算法與三幀差法的運(yùn)動檢測算法[J]. 楊依忠,張強(qiáng),汪鵬飛.  合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2018(08)
[9]復(fù)雜場景下的運(yùn)動目標(biāo)識別算法[J]. 宮法明,李翛然,馬玉輝.  計算機(jī)系統(tǒng)應(yīng)用. 2018(08)
[10]復(fù)雜背景下的視頻前景檢測方法研究[J]. 陳震,張紫涵,曾希萌.  數(shù)學(xué)的實踐與認(rèn)識. 2018(15)

碩士論文
[1]基于視頻圖像的運(yùn)動目標(biāo)與陰影檢測算法研究[D]. 王瑋.華東交通大學(xué) 2018
[2]基于視頻監(jiān)控的目標(biāo)檢測與跟蹤算法研究[D]. 姜丹.西安理工大學(xué) 2018
[3]紅外弱小運(yùn)動目標(biāo)的檢測算法研究[D]. 楊丹.西安理工大學(xué) 2018
[4]智能視頻監(jiān)控中運(yùn)動目標(biāo)檢測與跟蹤算法研究[D]. 卞強(qiáng).東北石油大學(xué) 2018
[5]動態(tài)場景下運(yùn)動目標(biāo)檢測與識別算法的研究[D]. 黃結(jié)龍.暨南大學(xué) 2018
[6]復(fù)雜背景下的視頻運(yùn)動目標(biāo)跟蹤算法[D]. 鄭曉萌.中國科學(xué)院大學(xué)(中國科學(xué)院國家空間科學(xué)中心) 2018
[7]復(fù)雜背景下的運(yùn)動目標(biāo)檢測[D]. 李雅婧.西安工業(yè)大學(xué) 2016



本文編號：3571646