论文部分内容阅读
运动目标检测技术是计算机视觉领域中一个重要的研究课题,其不但具有重要的研究作用,同时对计算机视觉领域中的其他研究方向有着重要的推动作用。运动目标检测的主要任务是从视频序列中提取出运动目标,它是视频序列中目标识别、跟踪、行为分析等后续处理的基础和关键。根据摄像机是否运动,运动目标检测可以分为两类:静态背景下的运动目标检测和动态背景下的运动目标检测。在大部分实际应用中,摄像机是固定不动的,即静态背景,其检测技术相对来说比较成熟。动态背景下,摄像机是运动的,监控范围更大,成本更低。然而,由于摄像机的运动,背景不断地在变化,此时,静态背景下的运动目标检测算法不再适用。背景的变化增加了运动目标检测的难度。本文研究了目前常用的运动目标检测算法,对动态背景下的运动目标检测算法进行了详细的研究。动态背景下通常先采用全局运动补偿算法对摄像机运动引起的背景运动进行补偿,即将动态背景转换为静态背景,然后再使用静态背景下的运动目标检测算法进行前景目标的检测。因此,本文首先对静态背景下的运动目标检测算法进行了研究,特别是针对背景减法进行了深入的研究。全局运动补偿方法包括两部分:全局运动矢量估计和背景运动补偿。该算法的核心是根据图像序列之间的配准,找到变换关系,估算出全局运动矢量。常用的全局运动矢量估计算法可以分为两类:一类基于图像的灰度信息,另一类基于图像特征。基于图像灰度信息的算法包括灰度投影法、块匹配法、光流法等。灰度投影法和块匹配法一般只能对摄像机的平移运动进行教精确的估计,光流法计算量较大,难以满足实时性要求。基于图像特征的估计算法对于图像特征的选取要求较高,随着摄像机的运动,图像的有些特征可能会消失。针对上述问题,本文使用对齐度作为匹配准则,针对粒子群优化算法容易陷入局部极值的问题,使用基于模拟退火的粒子群优化混合算法作为搜索策略,实现对光学图像、红外图像、光学和红外图像之间的配准。将动态背景转换为静态背景后,使用静态背景下的运动目标检测算法进行运动目标的检测。由于帧间差分法检测出的运动目标存在“孔洞”,本文使用静态背景下的背景减法来检测前景运动目标。背景减法的关键在于背景模型的建立,本文使用性能较好的视觉背景提取法实现运动目标的提取。最后本文首先分别对光学与红外图像序列进行了运动目标检测,然后对检测结果进行了决策级的图像融合,提高检测结果的完整性与准确性。