隨著多媒體技術(shù)的快速發(fā)展,視頻監(jiān)控系統(tǒng)在公共安全領(lǐng)域發(fā)揮著越來越重要的作用,但傳統(tǒng)視頻監(jiān)控極大地浪費(fèi)了人力物力,已經(jīng)不能符合時(shí)代的發(fā)展需求,所以視頻監(jiān)控急需向智能化的方向發(fā)展。運(yùn)動目標(biāo)的檢測與分類一直都是智能視頻監(jiān)控中的關(guān)鍵技術(shù)。由于監(jiān)控環(huán)境的復(fù)雜多變以及目標(biāo)特征的局限性,目前的運(yùn)動目標(biāo)檢測與分類算法依然面臨著很多難題,所以本文針對智能視頻監(jiān)控中的運(yùn)動目標(biāo)檢測與分類進(jìn)行了相應(yīng)的研究。1.本文根據(jù)高斯混合背景模型和幀差法,提出了一種基于GMM（Gaussians Mixture Model）和幀差法的運(yùn)動目標(biāo)檢測方法。該方法首先提出了一種融合GMM和幀差法的新型圖像組合算法,解決了傳統(tǒng)GMM和幀差法融合造成的噪聲以及目標(biāo)內(nèi)部空洞等問題。然后該方法加入了圖像修補(bǔ)技術(shù),在空間上對運(yùn)動目標(biāo)進(jìn)行補(bǔ)償,獲得了更好的目標(biāo)形狀。最后該方法運(yùn)用形態(tài)學(xué)知識對運(yùn)動目標(biāo)進(jìn)行處理,得到了精確的運(yùn)動目標(biāo)圖像。實(shí)驗(yàn)結(jié)果表明,本文提出的運(yùn)動目標(biāo)檢測方法可以有效的解決運(yùn)動目標(biāo)檢測不完整、目標(biāo)內(nèi)部空洞以及噪聲等問題,在后續(xù)的運(yùn)動目標(biāo)分類過程中起著至關(guān)重要的作用。2.本文提出一種多特征融合的運(yùn)動目標(biāo)分類方法,解決了單一特征... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【部分圖文】：

不同閾值產(chǎn)生的前景圖

（a）視頻原圖 （b）傳統(tǒng)幀差法 （c）本文圖3.3 傳統(tǒng)幀差法和本文幀差法對車的檢測結(jié)果對比圖（a）視頻原圖 （b）傳統(tǒng)幀差法 （c）本文圖3.4 傳統(tǒng)幀差法和本文幀差法對行人的檢測結(jié)果對比圖為了客觀分析兩種算法的性能，本文采取分割準(zhǔn)確率、欠分割率作為量化指標(biāo)來比較兩個(gè)算法性能的好壞。其中分割準(zhǔn)確率是分割正確的像素點(diǎn)個(gè)數(shù)占總分割像素點(diǎn)個(gè)數(shù)的百分比，可以反映出檢測算法的可靠性。欠分割率是少分割的像素點(diǎn)占真實(shí)像素點(diǎn)與少分割的像素點(diǎn)和的百分比，可以反映出分割出來的運(yùn)動目標(biāo)對象的內(nèi)部空洞程度。本文幀差法和傳統(tǒng)幀差法的性能對比如表 3.1 所示。表3.1 本文幀差法和傳統(tǒng)幀差法的性能指標(biāo)對比算法 傳統(tǒng)幀差法 本文幀差法分割精確率 0.921874 0.915784欠分割率 0.594196 0.478536經(jīng)過表 3.1 中的數(shù)據(jù)可以看出，本文幀差法和傳統(tǒng)幀差法提取運(yùn)動目標(biāo)時(shí)在分割精確率上相差不大，說明本文提出的改進(jìn)的幀差法是有效的。但是本文幀差法的欠分

圖3.3 傳統(tǒng)幀差法和本文幀差法對車的檢測結(jié)果對比圖（a）視頻原圖 （b）傳統(tǒng)幀差法 （c）本文圖3.4 傳統(tǒng)幀差法和本文幀差法對行人的檢測結(jié)果對比圖為了客觀分析兩種算法的性能，本文采取分割準(zhǔn)確率、欠分割率作為量化指標(biāo)來比較兩個(gè)算法性能的好壞。其中分割準(zhǔn)確率是分割正確的像素點(diǎn)個(gè)數(shù)占總分割像素點(diǎn)個(gè)數(shù)的百分比，可以反映出檢測算法的可靠性。欠分割率是少分割的像素點(diǎn)占真實(shí)像素點(diǎn)與少分割的像素點(diǎn)和的百分比，可以反映出分割出來的運(yùn)動目標(biāo)對象的內(nèi)部空洞程度。本文幀差法和傳統(tǒng)幀差法的性能對比如表 3.1 所示。表3.1 本文幀差法和傳統(tǒng)幀差法的性能指標(biāo)對比算法 傳統(tǒng)幀差法 本文幀差法分割精確率 0.921874 0.915784欠分割率 0.594196 0.478536經(jīng)過表 3.1 中的數(shù)據(jù)可以看出，本文幀差法和傳統(tǒng)幀差法提取運(yùn)動目標(biāo)時(shí)在分割精確率上相差不大，說明本文提出的改進(jìn)的幀差法是有效的。但是本文幀差法的欠分

【參考文獻(xiàn)】：
期刊論文
[1]基于光流場與EM算法的運(yùn)動目標(biāo)檢測[J]. 王源金,何建農(nóng).  福州大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(06)
[2]智能視頻監(jiān)控技術(shù)的發(fā)展[J]. 徐彤.  電子技術(shù)與軟件工程. 2017(14)
[3]基于三幀差分和滑動平均背景的運(yùn)動目標(biāo)檢測[J]. 周曉,方玖琳,鄭定超.  計(jì)算機(jī)測量與控制. 2016(05)
[4]基于改進(jìn)背景差分法的運(yùn)動物體檢測的研究[J]. 沈劍雷,夏定純.  通信電源技術(shù). 2016(02)
[5]權(quán)重系數(shù)自適應(yīng)光流法運(yùn)動目標(biāo)檢測[J]. 劉洪彬,常發(fā)亮.  光學(xué)精密工程. 2016(02)
[6]智能視頻監(jiān)控技術(shù)綜述[J]. 黃凱奇,陳曉棠,康運(yùn)鋒,譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2015(06)
[7]監(jiān)控視頻中運(yùn)動目標(biāo)識別分類系統(tǒng)研究[J]. 張壯暑,蔡曉東,張學(xué)敏.  電視技術(shù). 2012(23)
[8]視頻監(jiān)視中運(yùn)動目標(biāo)的檢測與跟蹤算法[J]. 鄭江濱,張艷寧,馮大淦,趙榮椿.  系統(tǒng)工程與電子技術(shù). 2002(10)

碩士論文
[1]基于多特征的運(yùn)動目標(biāo)檢測與識別[D]. 李文慧.江南大學(xué) 2015
[2]智能視頻監(jiān)控平臺中運(yùn)動目標(biāo)分類的研究與實(shí)現(xiàn)[D]. 顧婷婷.南京郵電大學(xué) 2015
[3]基于三幀差法的運(yùn)動目標(biāo)檢測方法研究[D]. 趙建.西安電子科技大學(xué) 2013



本文編號：3071421