本文關(guān)鍵詞：智能視頻監(jiān)控算法及其在FPGA實現(xiàn)的研究

  更多相關(guān)文章： 智能視頻監(jiān)控 運動目標(biāo)檢測 運動目標(biāo)跟蹤 FPGA實現(xiàn)

【摘要】：隨著計算機與圖像處理技術(shù)的快速發(fā)展,智能視頻監(jiān)控技術(shù)已經(jīng)成為安防領(lǐng)域一個重要的研究課題。智能視頻監(jiān)控可以利用成像系統(tǒng)代替人眼,用計算機代替大腦,從而像人那樣完成監(jiān)控任務(wù),減輕人的負擔(dān),對解決‘視覺信息膨脹’與監(jiān)控實時性間的矛盾十分有意義。運動目標(biāo)檢測與跟蹤屬于智能視頻監(jiān)控系統(tǒng)的底層與中層,其結(jié)果能夠為后續(xù)的行為理解與決策提供有效可靠的數(shù)據(jù)基礎(chǔ),因而準(zhǔn)確且魯棒的檢測與跟蹤方法對于應(yīng)用于復(fù)雜場景的智能監(jiān)控系統(tǒng)尤為重要。本文對運動目標(biāo)檢測與跟蹤這兩個方面內(nèi)容展開研究,詳細分析了當(dāng)前常用的運動目標(biāo)檢測與跟蹤方法的原理、優(yōu)缺點及適用場景,并提出了本文的創(chuàng)新方法。主要工作如下:1.針對當(dāng)前簡單的兩幀圖像差分法會產(chǎn)生很多的噪聲點,且這些噪點基本集中在圖像的邊緣附近的特點,提出一種改進幀差法。該方法利用凹形模板處理與三幀差分法來減少圖像中背景邊緣與運動目標(biāo)邊緣附近的噪點,降低了目標(biāo)檢測的誤檢率。融合改進幀差法與自適應(yīng)混合高斯模型的運動目標(biāo)檢測方法能夠有效改進幀差法檢測目標(biāo)不完整與混合高斯模型光照敏感,動態(tài)環(huán)境適應(yīng)差的缺點,提高了目標(biāo)檢測的準(zhǔn)確性與魯棒性。2.利用粒子濾波實現(xiàn)的目標(biāo)跟蹤,能夠較好的適應(yīng)非線性,非高斯的復(fù)雜場景監(jiān)控系統(tǒng)。本文提出的自適應(yīng)多特征融合的粒子濾波目標(biāo)跟蹤方法將顏色作為主特征,邊緣梯度作為輔特征,充分利用這兩個特征加權(quán)直方圖的優(yōu)點,提高了目標(biāo)跟蹤的魯棒性;且自適應(yīng)的更新粒子數(shù)目與直方圖能夠在保持算法跟蹤準(zhǔn)確性的基礎(chǔ)上,有效降低計算量,提高了目標(biāo)跟蹤的實時性。3.隨著高清智能視頻監(jiān)控系統(tǒng)的興起,傳統(tǒng)的視頻圖像處理平臺已無法滿足計算需求。考慮到FPGA單位時間內(nèi)高密度運算能力強的特點,本文提出利用FPGA實現(xiàn)改進幀差法,其不僅占用的硬件資源少,且實時性也得到很大提升。
【關(guān)鍵詞】：智能視頻監(jiān)控 運動目標(biāo)檢測 運動目標(biāo)跟蹤 FPGA實現(xiàn)
【學(xué)位授予單位】：湖南師范大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TN948.6
【目錄】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 緒論11-18
• 1.1 智能視頻監(jiān)控技術(shù)應(yīng)用11-12
• 1.2 智能視頻監(jiān)控原理12-14
• 1.3 智能視頻監(jiān)控研究現(xiàn)狀14-16
• 1.4 主要工作與安排16-18
• 第二章 監(jiān)控圖像預(yù)處理18-27
• 2.1 圖像去噪18-22
• 2.1.1 噪聲模型18-20
• 2.1.2 去噪方法20-22
• 2.2 形態(tài)學(xué)處理22-25
• 2.2.1 腐蝕與膨脹22-23
• 2.2.2 開運算與閉運算23-25
• 2.3 圖像邊緣檢測25-26
• 2.4 本章小結(jié)26-27
• 第三章 運動目標(biāo)檢測方法研究27-41
• 3.1 常用運動目標(biāo)檢測算法27-30
• 3.1.1 相鄰幀差法28
• 3.1.2 光流法28-29
• 3.1.3 背景差法29-30
• 3.1.4 不同檢測方法的適用性分析30
• 3.2 改進的運動目標(biāo)檢測算法30-37
• 3.2.1 改進的幀差法30-33
• 3.2.2 自適應(yīng)混合高斯模型法33-35
• 3.2.3 融合改進幀差法與自適應(yīng)混合高斯模型的目標(biāo)檢測方法35-37
• 3.3 實驗結(jié)果與分析37-39
• 3.4 本章小結(jié)39-41
• 第四章 運動目標(biāo)跟蹤方法研究41-57
• 4.1 常用運動目標(biāo)跟蹤方法42-44
• 4.1.1 基于特征的目標(biāo)跟蹤方法42
• 4.1.2 基于活動輪廓的目標(biāo)跟蹤方法42
• 4.1.3 基于模型的目標(biāo)跟蹤方法42-43
• 4.1.4 基于預(yù)測的目標(biāo)跟蹤方法43
• 4.1.5 不同跟蹤方法的適用性分析43-44
• 4.2 粒子濾波的基本原理44-49
• 4.2.1 離散貝葉斯濾波系統(tǒng)44-46
• 4.2.2 蒙特卡洛采樣(Monte Carlo Sampling)46
• 4.2.3 貝葉斯重要性采樣(Importance Sampling)46-48
• 4.2.4 粒子濾波的算法描述48-49
• 4.3 基于自適應(yīng)多特征融合的粒子濾波目標(biāo)跟蹤方法49-54
• 4.3.1 目標(biāo)特征選取49-52
• 4.3.2 距離度量52
• 4.3.3 跟蹤算法設(shè)計52-54
• 4.4 實驗結(jié)果與分析54-56
• 4.5 本章小結(jié)56-57
• 第五章 基于FPGA的目標(biāo)檢測算法實現(xiàn)57-66
• 5.1 FPGA簡介57-59
• 5.2 FPGA實現(xiàn)改進幀差法59-63
• 5.3 FPGA算法處理資源分析63-65
• 5.4 本章小結(jié)65-66
• 第六章 總結(jié)與展望66-68
• 6.1 本論文的主要內(nèi)容66-67
• 6.2 未來的工作展望67-68
• 參考文獻68-72
• 致謝72-74
• 攻讀碩士期間主要科研成果74-75

，

本文編號：673187