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

【文章頁數(shù)】：103 頁

【學位級別】：碩士

【部分圖文】：

圖１．１運動目標提取中的難點??

圖?１．２?ｃａｍｏｕｆｌａｇｅ?問題??因為存在多種復雜的場景，所依靠單一的方法很難處理運動目標提取的??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。希望在這些復雜的環(huán)....

圖１．３復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運動目標提取中的難點??光照變化：良好的背景模型需要逐漸適應光照的變化；??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判斷一個餘親點的類別過程ＩＭ１??

６｛知〇（?了?））ｎ?佔（１．扣??根據(jù)么式（１．３），像素點？；〇９）的分類包括計算ｕ（ｐ）和模型樣本點之間的ｉＶ？個??距離，并且通過閥值巧進行次歐式距離的比較，如圖１．６所示，因為只想找到??一些匹配，所Ｗ找到ｉＬｂ個匹配時，一個像棄的分類過程就可Ｗ停止。像素自??適應分....

圖1.8同時進行目標分例與姿態(tài)估計

在［３５］中通過當前偵的邊緣信息提取得到形狀先驗，在ＭＡＰ－ＭＲＦ框架下進??行求解，不過存在大量的指數(shù)算予使得算法耗時。上面的獲取形狀先驗的方法??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)果引導當前目標提取結(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