出于對(duì)安全與管理的考慮,需要對(duì)某些區(qū)域進(jìn)行入侵檢測(cè)。入侵檢測(cè)方法主要有基于傳感器和基于網(wǎng)絡(luò)攝像機(jī)（IP Camera,IPC）兩種。相對(duì)于傳統(tǒng)的基于傳感器的入侵檢測(cè)方法,基于網(wǎng)絡(luò)攝像機(jī)的入侵檢測(cè)方法具有更大的優(yōu)勢(shì)。比如可按照用戶需求劃定警戒區(qū)域,可達(dá)到更高的檢測(cè)率,可在入侵者接近警戒區(qū)域時(shí)提前預(yù)警。因此,本文研究基于IPC的入侵檢測(cè)算法。該類算法對(duì)IPC傳輸?shù)囊曨l序列進(jìn)行處理,當(dāng)發(fā)現(xiàn)有人員或車輛進(jìn)入警戒區(qū)域并且觸發(fā)入侵判別條件時(shí),報(bào)警通知工作人員。算法主要包括運(yùn)動(dòng)目標(biāo)檢測(cè)和入侵判別兩個(gè)方面。本文的主要研究?jī)?nèi)容如下:1.研究了常用的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。存在光照變化、動(dòng)態(tài)背景或陰影的場(chǎng)景,運(yùn)動(dòng)目標(biāo)的精確檢測(cè)比較困難。針對(duì)上述問題,本文采用一種基于改進(jìn)混合高斯模型（Gaussian Mixture Model,GMM）與陰影去除的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。在傳統(tǒng)GMM算法的基礎(chǔ)上,引入可調(diào)節(jié)學(xué)習(xí)率更新背景模型,引入組合權(quán)重進(jìn)行背景/前景分割,引入基于顏色和紋理特征的方法進(jìn)行陰影去除,最后進(jìn)行形態(tài)學(xué)處理去除噪聲。2.研究了常用的入侵判別機(jī)制。入侵判別機(jī)制包括入侵檢測(cè)的警戒區(qū)域和入侵判別規(guī)則兩方面。為了實(shí)... 

【文章來源】：西安理工大學(xué)陜西省

【文章頁數(shù)】：68 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

現(xiàn)實(shí)場(chǎng)景中的背景干擾

西安理工大學(xué)碩士學(xué)位論文30（a2）第700幀視頻幀（b2）傳統(tǒng)GMM算法（c2）ViBe算法（d2）本文目標(biāo)檢測(cè)算法（a3）第1130幀視頻幀（b3）傳統(tǒng)GMM算法（c3）ViBe算法（d3）本文目標(biāo)檢測(cè)算法圖3-5動(dòng)態(tài)背景干擾下的目標(biāo)檢測(cè)結(jié)果Fig.3-5Objectdetectionresultsunderdynamicbackgroundinterference在CDW-2014數(shù)據(jù)集“動(dòng)態(tài)背景”類別中選取了一段視頻作為算法輸入，該視頻共1184鄭視頻場(chǎng)景中有涌動(dòng)的噴泉和過往的車輛，噴泉的噴涌會(huì)對(duì)目標(biāo)檢測(cè)產(chǎn)生干擾。目標(biāo)檢測(cè)結(jié)果如圖3-5所示，一至三行分別是視頻的第235癥700癥1130鄭一至四列分別為原始視頻圖像癥傳統(tǒng)GMM算法目標(biāo)檢測(cè)結(jié)果、ViBe算法目標(biāo)檢測(cè)結(jié)果和本文采用的算法目標(biāo)檢測(cè)結(jié)果。由圖3-5（a1）可知，在第235幀中，沒有目標(biāo)物體出現(xiàn)，只有噴泉涌動(dòng)著。由圖3-5（b1）（c1）（d1）的目標(biāo)檢測(cè)結(jié)果可以看出：傳統(tǒng)GMM算法和ViBe算法均把部分噴泉干擾像素點(diǎn)誤判為目標(biāo)物體，且混合高斯法誤判的像素點(diǎn)數(shù)更多，檢測(cè)效果更差。在第700幀和1130幀中，場(chǎng)景中除了噴泉的干擾還有移動(dòng)的車輛。從目標(biāo)檢測(cè)結(jié)果可以看出：傳統(tǒng)GMM算法和ViBe算法把部分噴泉干擾誤判為目標(biāo)物體，并且得到的目標(biāo)物體（車子）輪廓不清晰，有大量空洞。本文采用的算法準(zhǔn)確提取到了目標(biāo)物體。（a1）第270幀視頻幀（b1）傳統(tǒng)GMM算法（c1）ViBe算法（d1）本文目標(biāo)檢測(cè)算法（a2）第453幀視頻幀（b2）傳統(tǒng)GMM算法（c2）ViBe算法（d2）本文目標(biāo)檢測(cè)算法

基于改進(jìn)GMM與陰影去除的運(yùn)動(dòng)目標(biāo)檢測(cè)算法31（a3）第930幀視頻幀（b3）傳統(tǒng)GMM算法（c3）ViBe算法（d3）本文目標(biāo)檢測(cè)算法圖3-6光照變化和投射陰影干擾下的目標(biāo)檢測(cè)結(jié)果Fig.3-6Objectdetectionresultsundertheinterferenceoflightvarationandprojectionshadow在CDW-2014數(shù)據(jù)集“陰影”類別中選取了一段視頻作為算法輸入，該視頻共1199鄭視頻場(chǎng)景中有光照的變化、陰影的變化和來往的行人，光照的變化和產(chǎn)生的陰影會(huì)對(duì)目標(biāo)檢測(cè)產(chǎn)生干擾。如圖3-6所示，一至三行分別是視頻的第270癥453癥930鄭一至四列分別為原始視頻圖像癥傳統(tǒng)GMM算法目標(biāo)檢測(cè)結(jié)果、ViBe算法目標(biāo)檢測(cè)結(jié)果和本文采用的算法目標(biāo)檢測(cè)結(jié)果。由圖3-6（a1）可知，在第270幀中，沒有目標(biāo)物體出現(xiàn)，圖像的左下角有一個(gè)即將進(jìn)入監(jiān)控畫面的行人產(chǎn)生的陰影區(qū)域。由圖3-6（b1）（c1）（d1）的目標(biāo)檢測(cè)結(jié)果可以看出：傳統(tǒng)GMM算法和ViBe算法均把行人產(chǎn)生的陰影誤判為目標(biāo)物體。本文的目標(biāo)檢測(cè)算法沒有產(chǎn)生誤判。在第453幀和930幀中，場(chǎng)景中有光照變化和陰影的干擾和運(yùn)動(dòng)的行人。從目標(biāo)檢測(cè)結(jié)果可以看出：傳統(tǒng)GMM算法和ViBe算法不能準(zhǔn)確分割行人和他產(chǎn)生的陰影，目標(biāo)物體有空洞，且背景中還有一些光線變化所產(chǎn)生的的噪聲點(diǎn)。本文采用的算法準(zhǔn)確提取目標(biāo)物體。（a1）第445幀視頻幀（b1）傳統(tǒng)GMM算法（c1）ViBe算法（d1）本文目標(biāo)檢測(cè)算法（a2）第890幀視頻幀（b2）傳統(tǒng)GMM算法（c2）ViBe算法（d2）本文目標(biāo)檢測(cè)算法（a3）第1451幀視頻幀（b3）傳統(tǒng)GMM算法（c3）ViBe算法（d3）本文目標(biāo)檢測(cè)算法圖3-7多種背景干擾下的目標(biāo)檢測(cè)結(jié)果Fig.3-7Objectdetectionresultsundermultiplebackgrounddisturbances在CDW-2014數(shù)據(jù)集“基礎(chǔ)背景”類別中選取了一段視頻作為算法輸入，該視頻共


本文編號(hào)：3573792