在智能視頻監(jiān)控網(wǎng)絡(luò)中,運(yùn)動目標(biāo)提取作為步態(tài)識別、行為分析的基礎(chǔ),發(fā)揮著重要的作用。背景減除算法作為運(yùn)動目標(biāo)提取方法之一,受環(huán)境的影響較大,提取出的結(jié)果往往不是一個(gè)完整的目標(biāo)。為了使背景減除的結(jié)果更加接近目標(biāo)的真實(shí)形狀,可以將形狀這種自上向下的信息融合進(jìn)背景減除方法中。當(dāng)背景減除方法只包含自下向上的信息時(shí),在存在動態(tài)干擾(場景中存在樹葉抖動、噴泉等)或者目標(biāo)與背景顏色相似的環(huán)境下,一個(gè)目標(biāo)可能分成多個(gè)連通域,對步態(tài)識別等高級應(yīng)用造成影響。為了解決這個(gè)問題,本文對如何利用形狀信息提高運(yùn)動目標(biāo)提取的結(jié)果,進(jìn)行了深入研究。通過在線建立形狀先驗(yàn)圖像和離線訓(xùn)練形狀模型兩種方式,將背景減除的結(jié)果修正為一個(gè)相對完整的目標(biāo)。本文的主要研究工作和貢獻(xiàn)歸納如下:(1)研究了背景減除算法并對此進(jìn)行后處理操作,提出了將形狀先驗(yàn)信息嵌入馬爾科夫隨機(jī)場(Markovrandomfields,MRF)的后處理算法。設(shè)計(jì)了形狀先驗(yàn)信息對應(yīng)的局部能量函數(shù),利用當(dāng)前幀的前面多幀結(jié)果的信息構(gòu)造形狀先驗(yàn)圖像,目的是利用已有的背景減除結(jié)果引導(dǎo)后續(xù)的運(yùn)動目標(biāo)提取過程。此外,在計(jì)算形狀先驗(yàn)時(shí)通過提取運(yùn)動目標(biāo)的連通域的方式對運(yùn)動目標(biāo)定...

【文章頁數(shù)】：103 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１運(yùn)動目標(biāo)提取中的難點(diǎn)??

圖?１．２?ｃａｍｏｕｆｌａｇｅ?問題??因?yàn)榇嬖诙喾N復(fù)雜的場景，所依靠單一的方法很難處理運(yùn)動目標(biāo)提取的??各種問題。如圖１．３所示，第一列是前景背景顏色相似引起的人體形狀斷開，第??二列是由于陰影引起的形狀多余，第王列是由于動態(tài)背景（噴泉）引起的形狀缺??失。希望在這些復(fù)雜的環(huán)....

圖１．３復(fù)雜場景下的背素減除結(jié)果??１丄２背景減除的重要作用??

第１章緒論??ＥＨＥ１２??圖１．１運(yùn)動目標(biāo)提取中的難點(diǎn)??光照變化：良好的背景模型需要逐漸適應(yīng)光照的變化；??移動背景：背景模型包括一些變化的但是不屬于前景的成分，比如搖擺的樹??葉、噴泉等；??投射陰影投影陰影屬于背景，否則，一些步態(tài)識別方法會受到干擾。??但是，陰影顏色與背....

圖１．６判斷一個(gè)餘親點(diǎn)的類別過程ＩＭ１??

６｛知〇（?了?））ｎ?佔(zhàn)（１．扣??根據(jù)么式（１．３），像素點(diǎn)？；〇９）的分類包括計(jì)算ｕ（ｐ）和模型樣本點(diǎn)之間的ｉＶ？個(gè)??距離，并且通過閥值巧進(jìn)行次歐式距離的比較，如圖１．６所示，因?yàn)橹幌胝业??一些匹配，所Ｗ找到ｉＬｂ個(gè)匹配時(shí)，一個(gè)像棄的分類過程就可Ｗ停止。像素自??適應(yīng)分....

圖1.8同時(shí)進(jìn)行目標(biāo)分例與姿態(tài)估計(jì)

在［３５］中通過當(dāng)前偵的邊緣信息提取得到形狀先驗(yàn)，在ＭＡＰ－ＭＲＦ框架下進(jìn)??行求解，不過存在大量的指數(shù)算予使得算法耗時(shí)。上面的獲取形狀先驗(yàn)的方法??都沒有用到前后偵結(jié)果么間的關(guān)系。在［１１］中使用了過去結(jié)果引導(dǎo)當(dāng)前目標(biāo)提取結(jié)??果，如圖１．９所示，第二行顯示了?ＧＭＭ的結(jié)果，可....

本文編號：3919506