智能視頻監(jiān)控系統(tǒng)的數(shù)字化特征使其在軍事應用起到重要作用,隨著人們安全意識的提高和計算機視覺領域的發(fā)展,智能視頻監(jiān)控系統(tǒng)在生活化的普通場景中得到了廣泛的應用。動態(tài)目標檢測是智能視頻監(jiān)控的核心技術,也是當前計算機視覺領域的研究熱點。動態(tài)目標檢測技術是機器視覺、圖像匹配、圖像檢測、目標跟蹤和模式識別等技術的前提和基礎,目標檢測結果的好壞直接影響后續(xù)的目標跟蹤及目標定位的準確性。本文針對當前在智能視頻監(jiān)控中動態(tài)目標檢測的相關算法進行深入研究,并提出了兩種改進的運動目標檢測算法。主要工作為:（1）研究了常用的三大類動態(tài)目標檢測算法。主要對二幀差分法、三幀差分法、SGM、和GMM進行了實驗分析。首先設計了GUI界面,將四種算法在光照條件不同的兩個視頻數(shù)據(jù)集highway和people下進行實驗,并對實驗結果進行了定性分析和定量評估,為后續(xù)的算法改進提供基礎。（2）針對GMM算法受光照影響較大的缺陷,提出一種改進的GMM結合陰影檢測的動態(tài)目標檢測算法。首先對GMM在模型初始化、背景模型建立、背景模型更新提出改進措施。然后與霍特林陰影抑制算法結合,完成整體動態(tài)目標檢測算法的設計。最后,對檢測結果進行后... 

【文章來源】：天津職業(yè)技術師范大學天津市

【文章頁數(shù)】：62 頁

【學位級別】：碩士

【部分圖文】：

圖像處理原理圖

8動態(tài)目標區(qū)域整體更清晰、輪廓更明顯，對后續(xù)的目標跟蹤和分析工作提供了良好基矗也提升了整體算法檢測結果的精確率。文中主要對后期優(yōu)化的形態(tài)學處理做主要研究。數(shù)學形態(tài)學處理已經(jīng)成為一種新的圖像處理理論，根本上是以幾何學思想為基礎的。首先應用于處理二值圖像，將二值圖像看做集合后，用幾何的結構元素來探測。二值圖像的形態(tài)學算法以腐蝕和膨脹這兩種基本運算為基礎，發(fā)展出其他常見形態(tài)運算，如開閉運算、擊中變換等[29]。（1）腐蝕、膨脹腐蝕算法是將圖像中圖形的一部分邊界點，在結構元素約束下消除進行，從而向圖形內(nèi)部進行了收縮。把設為檢測圖像，為關于圖像的結構元素。被腐蝕可定義表示為（2-1）由將平移仍包含在內(nèi)的所有點組成。將看做模板，則腐蝕過程可以看做是由模板平移的過程中所有可以填入目標內(nèi)部的模板原點組成的。腐蝕的具體步驟是：①設定好結構元素和形狀和位置；②對二值圖像掃描，得到像素值為1的點；③把結構元素位置點移動到像素點為1的位置，判斷結構元素內(nèi)是否所有像素值都是1。若都為1時，則將腐蝕后的相同位置上像素也設為1；若不是，則設為0；④再對值為1的像素點進行掃描，重復③。例如，設被作用的目標區(qū)域是直徑為的多個圓點，腐蝕的結果是沿著圓點的邊界向內(nèi)收縮，直徑變小，同時連接部分斷開，分裂成多個部分。如圖2-2所示。圖2-2腐蝕效果示意圖因此，選取的結構元素不同時，可以達到去除相對較小的物體的目標。如果物體間還存在小的連接部分，此時通過合適的結構元素就能將目標之間沒有檢測到的細小連通部分腐蝕掉，分成各個獨立的目標�？傮w來說，腐蝕的作用是收縮圖像。通過消除邊界點，使邊界向內(nèi)部收。在目標檢測

9中通常對于去除小噪聲和細微連接部分非常有效。膨脹是腐蝕的對偶運算，實在結構元素約束下將與目標區(qū)域臨近的背景點都合并到目標區(qū)域中，使目標的邊界范圍擴大，面積有了小范圍的增加。將設為集合的補集，表示關于原點的對稱集。被膨脹可定義表示為：（2-2）為了利用元素膨脹檢測圖像A，將相對原點旋轉(zhuǎn)180°，得到，再利用對進行腐蝕。在圖像處理出，膨脹將與物體接觸的所有背景點在該物體中合并，使邊界向外擴張，對填補圖像分離時留下的孔洞很有用[30]。例如，設被作用的目標區(qū)域是直徑為的多個圓點，膨脹的結果是沿著目標的邊界向外擴張，直徑變大，同時目標內(nèi)有缺失的小空洞會進行連接填補。如圖2-3所示。圖2-3膨脹效果示意圖總體來說，膨脹的作用是擴張圖像。通過合并背景點，是邊界向外部擴。通常在連接斷開的目標上有比較好的效果。（2）二值開、閉運算開運算是指通過一個結構元素對圖像進行先腐蝕再膨脹的算法。還看做檢測圖像，仍為關于圖像的結構元素。對進行開運算，可定義表示為（2-3）圖2-4開運算效果示意圖

【參考文獻】：
期刊論文
[1]基于改進的混合高斯模型運動目標檢測算法研究[J]. 范超男,李士心,張海,郭榮.  天津職業(yè)技術師范大學學報. 2019(04)
[2]基于改進混合高斯模型與陰影去除的目標檢測[J]. 王林,和萌.  計算機測量與控制. 2019(07)
[3]基于三幀差分混合高斯背景模型運動目標檢測[J]. 李曉瑜,馬大中,付英杰.  吉林大學學報(信息科學版). 2018(04)
[4]基于混合高斯模型與五幀差分的運動目標檢測算法[J]. 李戰(zhàn)明,譚向陽.  計算機與數(shù)字工程. 2018(02)
[5]基于SACON模型和五幀差分法的目標檢測算法[J]. 朱世松,付萬超.  測控技術. 2017(12)
[6]基于改進高斯混合模型及紋理的陰影去除算法[J]. 王雅寧,張鴻.  計算機工程與設計. 2017(07)
[7]Online Unsupervised Learning Classification of Pedestrian and Vehicle for Video Surveillance[J]. HE Yi,SANG Nong,GAO Changxin,HAN Jun.  Chinese Journal of Electronics. 2017(01)
[8]視頻圖像中的運動目標檢測[J]. 周同雪,朱明.  液晶與顯示. 2017(01)
[9]基于視頻監(jiān)控的人臉檢測跟蹤識別系統(tǒng)研究[J]. 胡一帆,胡友彬,李騫,耿冬冬.  計算機工程與應用. 2016(21)
[10]基于五幀差分和改進的Meanshift算法的運動目標跟蹤[J]. 陳雙葉,王善喜.  計算機科學. 2016(S1)

博士論文
[1]視頻中運動目標陰影檢測研究[D]. 代江艷.東北師范大學 2014

碩士論文
[1]視頻序列中運動目標檢測算法的研究[D]. 何勝皎.蘭州理工大學 2018
[2]基于碼書模型的動態(tài)背景建模及前景目標檢測[D]. 劉威.天津大學 2013
[3]動態(tài)圖像序列中目標檢測與跟蹤技術研究[D]. 張強.華北電力大學 2012
[4]智能交通信號控制系統(tǒng)中車流量檢測及圖像處理算法研究[D]. 辛安民.長春理工大學 2009



本文編號：3607078