【摘要】：近年來(lái),從視頻中進(jìn)行目標(biāo)識(shí)別的應(yīng)用非常廣泛,例如公共場(chǎng)所的視頻監(jiān)控、智能交通中的車牌識(shí)別、軍事武器的瞄準(zhǔn)等。若要使用人工觀察視頻中某個(gè)物體的異常移動(dòng),會(huì)非常耗時(shí)耗力并且準(zhǔn)確率并不高。因此基于目標(biāo)識(shí)別的視頻搜索技術(shù)具有很強(qiáng)的研究?jī)r(jià)值。本文設(shè)計(jì)實(shí)現(xiàn)了 一個(gè)基于目標(biāo)識(shí)別的視頻搜索系統(tǒng),用戶需提供視頻及需要查找的目標(biāo)圖像庫(kù),若視頻中存在該目標(biāo),則會(huì)最終輸出對(duì)應(yīng)的視頻幀。首先使用改進(jìn)的背景差分法從視頻中找出場(chǎng)景變化的視頻幀作為候選幀;然后提取候選幀及需要查找的目標(biāo)圖像庫(kù)的sift特征點(diǎn);最后提出優(yōu)化的VP森林算法,將候選幀與需要查找的目標(biāo)圖像庫(kù)進(jìn)行特征匹配,輸出匹配成功的幀。主要內(nèi)容如下:(1)視頻分幀,使用場(chǎng)景檢測(cè)的方法從視頻中提取出場(chǎng)景變化的幀作為候選幀。首先通過(guò)分析常用的場(chǎng)景檢測(cè)方法,根據(jù)需要選取背景差分法進(jìn)行場(chǎng)景檢測(cè)。然后對(duì)背景差分法進(jìn)行改進(jìn),使用歐氏距離算法代替差值法來(lái)判斷當(dāng)前視頻幀與背景模板的相似性,在噪聲點(diǎn)多的情況下,增加場(chǎng)景檢測(cè)的準(zhǔn)確率。最后場(chǎng)景檢測(cè)前,增加對(duì)視頻幀的預(yù)處理操作,減少噪聲點(diǎn)及光照對(duì)檢測(cè)準(zhǔn)確率的影響。(2)提取候選幀及目標(biāo)圖像庫(kù)的sift特征。由于sift特征的穩(wěn)定性、獨(dú)特性等優(yōu)勢(shì),本文使用sift特征點(diǎn)進(jìn)行圖像特征匹配。首先提取出目標(biāo)圖像庫(kù)的sift特征點(diǎn)備用,然后實(shí)時(shí)的提取候選幀的sift特征點(diǎn)以便后續(xù)的特征匹配操作。(3)將候選幀與目標(biāo)圖像庫(kù)進(jìn)行特征匹配。提出優(yōu)化的VP森林算法,通過(guò)構(gòu)建多棵VP-tree,減少VP-tree中近側(cè)的子樹(shù)的自相似性,大大提高了匹配的正確率。并且在構(gòu)建VP-tree的過(guò)程中選取方差大的點(diǎn)作為優(yōu)勢(shì)點(diǎn),降低隨機(jī)選取到邊緣點(diǎn)的概率。大量實(shí)驗(yàn)證明,優(yōu)化的VP森林算法在不同的數(shù)據(jù)集大小,不同的數(shù)據(jù)維度,不同的距離函數(shù)等情況下進(jìn)行特征匹配,得到的正確率都高于目前流行的隨機(jī)KD森林算法。將改進(jìn)的背景差分法及優(yōu)化的VP森林算法應(yīng)用到基于目標(biāo)識(shí)別的視頻搜索系統(tǒng)中,得到了很好的效果。
【學(xué)位授予單位】：北京化工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP391.41
【圖文】：

邐式（２－１）逡逑其中Ｓ代表某個(gè)像素點(diǎn)的灰度值，／？、ｔ；、分別表示紅、綠、藍(lán)三種顏色。逡逑灰度化前后的效果圖如圖２－１所示。逡逑身逡逑}楨義賢跡玻卞澹幔┗葉然暗腦枷皴義希疲椋紓玻卞澹幔╁澹裕瑁邋澹錚潁椋紓椋睿幔戾澹椋恚幔紓邋澹猓澹媯錚潁邋澹紓潁幔椋睿玨義希礤義賢跡玻戾澹猓┗葉然蟮耐枷皴義希疲椋紓玻卞澹猓╁澹牽潁幔螅悖幔歟邋澹椋恚幔紓邋義希瑰義

本文編號(hào)：2784080