本文關(guān)鍵詞：視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)的檢測(cè)、分類識(shí)別與跟蹤，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著時(shí)代的進(jìn)步和發(fā)展,人們對(duì)社會(huì)安全問(wèn)題越來(lái)越重視。視頻監(jiān)控在其中發(fā)揮了重要的作用。隨著計(jì)算機(jī)技術(shù)和硬件技術(shù)的不斷發(fā)展更新,為視頻監(jiān)控技術(shù)的智能化發(fā)展提供了充分的硬件平臺(tái)和技術(shù)支持。而對(duì)視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)和分析是智能監(jiān)控的關(guān)鍵技術(shù)之一。在實(shí)際生活中,視頻中大部分有意義的信息都包含在運(yùn)動(dòng)目標(biāo)當(dāng)中,而智能視頻監(jiān)控就是希望通過(guò)計(jì)算機(jī)來(lái)完成運(yùn)動(dòng)信息的處理。本文對(duì)智能視頻系統(tǒng)中的三個(gè)部分作了相關(guān)研究,包括運(yùn)動(dòng)目標(biāo)的檢測(cè)技術(shù)、運(yùn)動(dòng)目標(biāo)的跟蹤技術(shù)和運(yùn)動(dòng)目標(biāo)的分類識(shí)別技術(shù)。對(duì)各部分進(jìn)行研究的主要內(nèi)容如下:1.針對(duì)自適應(yīng)混合高斯背景建模學(xué)習(xí)較慢的問(wèn)題,本文提出了一種新的學(xué)習(xí)因子,該學(xué)習(xí)因子的學(xué)習(xí)速率隨著權(quán)重的變化而變化。通過(guò)實(shí)驗(yàn)對(duì)比,證明了該學(xué)習(xí)因子能夠加快均值和方差的學(xué)習(xí)。由于檢測(cè)出來(lái)的目標(biāo)存在陰影,本文陰影在HSV(Hue,H;Saturation,S;value,V)空間的特點(diǎn),提出了一個(gè)基于自適應(yīng)混合高斯模型的陰影檢測(cè)方法。該檢測(cè)方法是通過(guò)對(duì)S、V分量的控制實(shí)現(xiàn)陰影檢測(cè)。通過(guò)實(shí)驗(yàn)對(duì)比,證明該檢測(cè)模型的時(shí)間消耗相對(duì)較少且能夠有效的消去目標(biāo)存在的陰影。2.為了能夠更為準(zhǔn)確的提取出目標(biāo)特征,提出了一個(gè)加權(quán)“均值”,采用該“均值”替代其核Fisher判別分析中的類樣本均值進(jìn)行目標(biāo)分類識(shí)別。該“均值”是對(duì)每類的每一幅圖像進(jìn)行加權(quán)平均,隨著每類圖像的不斷輸入權(quán)重不斷減小。采用該算法進(jìn)行了兩組對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)一是對(duì)視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行分類識(shí)別,實(shí)驗(yàn)二是對(duì)人臉進(jìn)行識(shí)別。經(jīng)實(shí)驗(yàn)證明該算法能夠快速且準(zhǔn)確的識(shí)別出目標(biāo)。3.針對(duì)傳統(tǒng)方法中閾值需要根據(jù)不同的背景不斷調(diào)整的情況,提出了一種自適應(yīng)的閾值與Kalman濾波相結(jié)合的跟蹤方法。該閾值通過(guò)對(duì)每幅圖像進(jìn)行列平均之后排序,取其中的中間值的0.35倍作為背景差的閾值。采用該閾值與Kalman濾波的結(jié)合能夠較好的跟蹤運(yùn)動(dòng)目標(biāo)。
【關(guān)鍵詞】：運(yùn)動(dòng)目標(biāo) 目標(biāo)檢測(cè) 高斯模型 陰影檢測(cè) 分類識(shí)別 目標(biāo)跟蹤
【學(xué)位授予單位】：湖南工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TN948.6
【目錄】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 緒論9-17
• 1.1 研究背景9-10
• 1.2 研究意義10-11
• 1.3 國(guó)內(nèi)外研究現(xiàn)狀及發(fā)展趨勢(shì)11-15
• 1.3.1 運(yùn)動(dòng)目標(biāo)檢測(cè)算法研究現(xiàn)狀11-12
• 1.3.2 運(yùn)動(dòng)目標(biāo)陰影去除算法研究現(xiàn)狀12
• 1.3.3 運(yùn)動(dòng)目標(biāo)的分類識(shí)別研究現(xiàn)狀12-14
• 1.3.4 運(yùn)動(dòng)目標(biāo)跟蹤算法研究現(xiàn)狀14-15
• 1.4 本文研究?jī)?nèi)容15-16
• 1.5 論文的結(jié)構(gòu)安排16-17
• 第二章 運(yùn)動(dòng)目標(biāo)的檢測(cè)、分類識(shí)別與跟蹤技術(shù)綜述17-27
• 2.1 圖像預(yù)處理17-19
• 2.1.1 RGB顏色空間17-18
• 2.1.2 HSV顏色空間18-19
• 2.1.3 其他顏色空間19
• 2.1.4 顏色空間的選擇19
• 2.2 運(yùn)動(dòng)目標(biāo)的檢測(cè)技術(shù)19-23
• 2.3 運(yùn)動(dòng)目標(biāo)的陰影消除技術(shù)23-24
• 2.4 運(yùn)動(dòng)目標(biāo)的分類識(shí)別技術(shù)24-25
• 2.5 運(yùn)動(dòng)目標(biāo)的跟蹤技術(shù)25
• 2.6 本章小結(jié)25-27
• 第三章 自適應(yīng)混合高斯背景建模和陰影去除方法27-37
• 3.1 高斯背景建模的方法27-30
• 3.1.1 單高斯背景建模27-28
• 3.1.2 混合高斯背景建模28-30
• 3.2 改進(jìn)的混合高斯背景模型30-31
• 3.3 運(yùn)動(dòng)目標(biāo)陰影去除31-34
• 3.3.1 陰影的產(chǎn)生31-32
• 3.3.2 陰影的特征32
• 3.3.3 陰影去除算法32-33
• 3.3.4 改進(jìn)的基于HSV空間的陰影檢測(cè)模型33-34
• 3.3.5 算法具體步驟34
• 3.4 實(shí)驗(yàn)結(jié)果及其分析34-36
• 3.4.1 實(shí)驗(yàn)數(shù)據(jù)和結(jié)果34-36
• 3.4.2 實(shí)驗(yàn)結(jié)果分析36
• 3.5 本章小結(jié)36-37
• 第四章 基于改進(jìn)核FISHER判別分析運(yùn)動(dòng)目標(biāo)的分類識(shí)別37-47
• 4.1 FISHER鑒別準(zhǔn)則37-41
• 4.2 改進(jìn)的核FISHER判別分析41
• 4.3 基于改進(jìn)的核FISHER判別分析實(shí)驗(yàn)結(jié)果及其分析41-46
• 4.3.1 運(yùn)動(dòng)目標(biāo)分類識(shí)別實(shí)驗(yàn)41-44
• 4.3.2 人臉識(shí)別實(shí)驗(yàn)44-46
• 4.4 本章小結(jié)46-47
• 第五章 自適應(yīng)閾值與卡爾曼濾波結(jié)合的運(yùn)動(dòng)目標(biāo)跟蹤方法47-55
• 5.1 引言47
• 5.2 卡爾曼濾波算法47-49
• 5.3 卡爾曼濾波跟蹤49-51
• 5.4 自適應(yīng)閾值與KALMAN濾波的結(jié)合51-52
• 5.5 實(shí)驗(yàn)內(nèi)容及結(jié)果52-53
• 5.6 本章小結(jié)53-55
• 第六章 總結(jié)與展望55-57
• 6.1 論文總結(jié)55
• 6.2 展望55-57
• 參考文獻(xiàn)57-62
• 攻讀碩士學(xué)位期間主要研究成果62-63
• 致謝63

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 張哲源;史穎歡;高陽(yáng);;基于色彩和形態(tài)特征的人陰影檢測(cè)方法[J];微電子學(xué)與計(jì)算機(jī);2009年10期

2 房正華;趙靜;楊新艷;;智能交通系統(tǒng)中的陰影檢測(cè)技術(shù)[J];計(jì)算機(jī)與現(xiàn)代化;2010年05期

3 杜丙新;丁國(guó)棟;;一種改進(jìn)的基于統(tǒng)計(jì)的陰影檢測(cè)方法[J];科學(xué)技術(shù)與工程;2010年32期

4 劉晉蘇;任沁源;韓波;李平;;基于微型無(wú)人機(jī)平臺(tái)的航拍動(dòng)態(tài)陰影檢測(cè)[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2010年11期

5 王磊;胡霞;;基于視頻的運(yùn)動(dòng)車輛陰影檢測(cè)與去除[J];蘇州市職業(yè)大學(xué)學(xué)報(bào);2010年03期

6 聞帆;屈楨深;閆紀(jì)紅;;集成多特征信息的運(yùn)動(dòng)陰影檢測(cè)[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2011年05期

7 張力耘;賈曉敏;陳蘇娟;;基于總變分的多特征陰影檢測(cè)方法研究[J];電力勘測(cè)設(shè)計(jì);2011年05期

8 王雨雋;;陰影檢測(cè)方法研究——基于背景縮減的陰影檢測(cè)算法[J];電腦知識(shí)與技術(shù);2011年32期

9 史波;王紅;;一種自學(xué)習(xí)陰影檢測(cè)方法[J];計(jì)算機(jī)應(yīng)用研究;2012年05期

10 李文舉;高連軍;崔曉松;尉秀芹;;基于多源信息的陰影檢測(cè)[J];遼寧工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版);2013年01期

中國(guó)重要會(huì)議論文全文數(shù)據(jù)庫(kù) 前4條

1 蔡海鵬;潘志庚;孫超;;面向視頻場(chǎng)景的虛實(shí)交互中的運(yùn)動(dòng)陰影檢測(cè)算法[A];第四屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2008年

2 魯瑋;管慶;;移動(dòng)陰影檢測(cè)和消除算法研究[A];2008年中國(guó)高校通信類院系學(xué)術(shù)研討會(huì)論文集（下冊(cè)）[C];2009年

3 孫睿;宮峰勛;;一種改進(jìn)的邊緣比率陰影檢測(cè)方法[A];全國(guó)第二屆信號(hào)處理與應(yīng)用學(xué)術(shù)會(huì)議�？痆C];2008年

4 黃建軍;彭蓉;;基于網(wǎng)絡(luò)并行的高分辨城市航空影像陰影檢測(cè)[A];全國(guó)第一屆信號(hào)處理學(xué)術(shù)會(huì)議暨中國(guó)高科技產(chǎn)業(yè)化研究會(huì)信號(hào)處理分會(huì)籌備工作委員會(huì)第三次工作會(huì)議�？痆C];2007年

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前4條

1 代江艷;視頻中運(yùn)動(dòng)目標(biāo)陰影檢測(cè)研究[D];東北師范大學(xué);2014年

2 聞帆;基于視覺(jué)的交通路口車輛智能檢測(cè)技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2010年

3 李子龍;智能交通系統(tǒng)中視頻目標(biāo)檢測(cè)與識(shí)別的關(guān)鍵算法研究[D];華南理工大學(xué);2014年

4 湯義;智能交通系統(tǒng)中基于視頻的行人檢測(cè)與跟蹤方法的研究[D];華南理工大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 王國(guó)華;云臺(tái)攝像機(jī)道路事件檢測(cè)方法的研究與實(shí)現(xiàn)[D];大連海事大學(xué);2016年

2 楊薇丹;復(fù)雜場(chǎng)景下的陰影檢測(cè)[D];中國(guó)海洋大學(xué);2015年

3 趙玉琴;自然光照下葡萄葉片圖像的顏色恢復(fù)與陰影檢測(cè)[D];甘肅農(nóng)業(yè)大學(xué);2016年

4 張先鵬;基于多種特征的高分辨率遙感影像陰影檢測(cè)算法研究[D];西南交通大學(xué);2016年

5 王s胬，

本文編號(hào)：350632