论文部分内容阅读
在计算机视觉、智能视频监控领域中,视频图像的运动目标检测效果的好坏,会对运动目标分类、跟踪及行为理解等后续处理直接产生重要的影响。对运动目标进行有效的分割是序列图像分析的基础性工作,也是当今国内外学者研究的热点问题。本文对复杂场景的多运动目标检测进行了较为深入的研究,并着重研究了多种背景模型和运动目标检测中的阴影检测算法。本文首先概述了运动目标检测技术和阴影检测技术的国内外研究现状,并对目标检测技术的多种方法和运动目标分割方法进行了研究。在分析传统目标检测方法优缺点的基础上,采用背景差分法来检测运动目标。然后,在大量试验的基础上,对时间平均背景模型、时间中值背景模型、基于帧间差分的背景模型以及混合高斯背景模型这四种背景建模算法进行了分析比较,并给出了比较结论。同时,针对基于帧间差分的背景模型中参数选择不稳定及阈值问题,提出了一种基于双动态矩阵的背景模型更新机制,该更新机制利用两个动态矩阵来区分目标点和背景点,并采用一种利用像素直方图的方法来获取动态阈值。试验表明,该算法在满足原有处理速度的情况下,能够更加准确的检测出运动物体,加快虚影的消除,减少了虚影对运动目标检测效果的影响,提高了检测的准确率,且更新频率不易影响到检测效果。最后,对国内外目前的阴影检测算法进行了系统研究,分别对彩色空间和灰度空间中的阴影检测算法做了分类比较与试验分析。在彩色空间中,针对阴影在RGB空间和HSV空间的不同特点,分别采用对应的方法来检测阴影。试验表明,RGB空间的阴影检测算法的阴影检测率高,但阴影识别率则低于HSV空间的阴影检测算法,同时RGB空间的阴影检测算法实时性更好。灰度空间中,在缺少颜色信息的情况下,采用基于Gabor字典的方法来提取阴影的纹理特征,通过背景点与阴影点的纹理特征相似的特点,来检测阴影。试验证明该算法有着较好的阴影检测率和识别率。