论文部分内容阅读
智能视频监控是利用计算机自动对视频信号进行分析、处理和理解。背景减除作为智能视频监控的关键技术,其检测的结果直接影响智能视频监控的效能。论文围绕背景减除存在的背景区域动态变化会被误判为前景区域、运动目标暂时静止会误判为背景,以及逐像素分析导致算法分析时间过长的问题,从像素层、特征层、语义层上开展研究。具体引入了像素归属预判断的模型,针对背景减除算法逐像素分析带来的误判和分析时间过长的问题,提出了运用压缩域的信息对图像像素进行快速分类,排除不可能的前景像素,提出的算法在背景减除数据库CDNET上的测试结果表明和经典的GMM算法相比,F值从0.6提高到0.75,运行时间降低了 50%。充分利用了像素空域上相似性来简化背景减除算法分析过程。针对背景减除算法存在逐像素判断因个别像素变化不明显导致的误判问题,提出了基于超像素分割的背景减除方法。通过分析超像素的部分像素来判断整个超像素的类别,达到提高背景减除算法的F值目的。CDNET2014数据库上实验表明该算法能够提高背景减除的效果。构建了对背景变化具有鲁棒性的图像特征。针对现有的背景减除算法难以区分背景运动和目标运动的问题,提出了利用多特征融合方法构建鲁棒的视觉区分特征,该特征可以有效区分背景区域变化和前景区域变化。提出的算法在OTCBVS和PETS数据库上与现有的最好的针对背景突变的方法(RcurGMM)相比。在OTCBVS上客观指标F值从0.58提高到0.69,在PETS数据库上客观指标F值从0.49提高到0.68。提出了基于免微调的深度学习背景减除方法。微调是现有的深度学习背景减除算法不可缺少的一步,由于学习标签难以获取,限制了深度学习在背景减除中的实际应用。提出的方法融合了 FCN和传统背景减除算法,解决由于背景区域动态变化和运动目标暂时不动带来的误检问题。并经CDNET数据库上的实验所示,与数据库最好的非学习的背景减除算法IUTIS-5相比,精度值从0.63提高到0.75,F值从0.71提高到0.77。综上所述,论文对背景减除方法进行了深入地研究和大量的实验论证,为解决背景减除存在的突出问题提供了新的思路和途径。所提出的创新算法显著提高了背景减除的查全率和查准率,同时在监控视频分析方面也具有较好的实用性。