论文部分内容阅读
视频运动目标的检测技术是智能视频监控技术研究领域的一项重要内容，其检测性能的好坏直接影响对视频监控系统性能优劣的评估。如何改善视频运动目标的检测性能，已成为改善智能视频监控技术研究领域内的热门研究内容。本文主要从背景减除优化算法的研究和图割优化算法的研究两个方面，展开对改善系统检测性能的研究。具体内容概括如下：背景减除法是视频运动目标检测领域应用最为广泛的一种，其检测过程主要包含背景建模和前景检测两步。混合高斯模型是背景减除法中一种常用的模型，该模型在背景建模及模型更新时需预先设置学习因子，而学习因子的取值上限限制了检测的鲁棒性及模型的更新率。本文立足于改善学习因子取值上限问题，提出了基于背景减除法的优化算法的研究，实质是通过对背景建模中模型参数的优化研究，来改善检测的性能。优化后的算法，在建模过程借鉴拟合优度思想，构建由经验分布函数和混合高斯分布函数构造的复合参数模型，并针对已构建的复合参数模型，结合带约束条件的条件极值求解方法及非负矩阵的迭代求解方法，进行模型参数的优化求解，实现最优模型参数条件下的背景建模及前景检测。图割算法是视频运动目标检测的另一常用方法。传统算法在对连续播放的高分辨率的视频图像进行检测时，算法实施过程计算量大效率低，且检测自适应性差。本文立足于改善检测效率，提高检测的自适应性，提出了对图割优化算法的研究。具体研究内容包含感兴趣区域的提取和自适应检测两部分。感兴趣区域的提取，借鉴极大似然估计准则提取感兴趣区域，有效地缩减目标检测范围，实现在感兴趣区域内图割提取运动目标，改善检测效率；自适应检测的研究，通过对检测到的目标几何特征（目标的面积、周长）的提取带入Kalman滤波模型，进行模型参数的预估算，实现对连续播放视频运动目标的自适应图割检测，提高检测的自适应性。本文的实验部分，分别选取了简单背景及复杂背景，室内及室外，有光照变化及无光照变化，单个目标及多个目标，四种不同检测情况下的多组视频片段，通过实验的仿真及实验数据的分析，验证了文中提出的优化算法的在运动目标检测中的优越性及适用性。