基于贝叶斯理论的运动目标检测算法分析-analysis of moving object detection algorithm based on bayesian theory.docxVIP

南京邮电大学硕士研究生学位论文摘要摘要目前世界各国公共安全问题正日趋严峻，智能视频监控作为对特定场所实施安全监控的一种重要手段，具有非常广阔和光明的发展前景。其中运动目标检测技术是视频监控系统的关键基础，它对后续的处理和分析效果有决定性的作用。此外随着DSP 技术的不断发展，使视频监控走向网络化、实时化和智能化成为可能。本文着重研究了基于贝叶斯理论的运动目标检测问题，并在DSP上进行算法的实现与优化。基于贝叶斯理论的统计建模算法BM 是现在较流行的背景建模方法之一，其建立在贝叶斯分类理论的基础上，能够有效的利用先验信息，实现对运动目标的精确分割。然而该模型需要对每个像素点进行建模，算法复杂度大，对硬件存储量要求较高，很难用于实时检测系统。针对贝叶斯模型的关键技术，本文主要研究内容和创新点如下：(1)本文研究了基于贝叶斯理论的统计建模算法BM，并对它进行改进，提出了一种基于聚类和贝叶斯理论的运动目标检测算法CBM。该算法首先对视频序列进行时间上的聚类分析，以此作为贝叶斯进一步判决的预处理，经过预处理后贝叶斯需要判别的点减少，可以较大的减少计算复杂度，同时能够保证得到较高的计算精度，并使贝叶斯精确判决的作用更加有效。(2)在上述研究的基础上，本文对聚类分析过程提出了改进。该方法采用融合Lab颜色空间的a、b两维颜色信息、局部熵信息和像素点坐标信息的五维特征矢量来描述各个像素点，更充分的表征了各个像素点在时间上的变化，以更加准确的描述背景模型，达到更好的检测效果。(3)本文研究了在多媒体DSPTMS320DM642平台上的算法实现，详细的描述了算法的移植过程，提出采用四种优化措施对算法的实时处理能力进行改进。这四种优化措施包括：1.修改数据类型；2.对多重循环作拆分处理；3.使用intrinsics 指令集；4.对存储空间进行分配，通过四种优化措施可实现对算法处理性能的改进，以满足对场景的实时处理。最后通过实验证明，本文提出的CBM 算法由于充分利用了像素时域间的相关性进行聚类预处理，与无聚类过程的贝叶斯背景建模算法相比，时间复杂度上降低了55%，准确率上平均提高约20%。在TMS320DM642 平台环境下，对通过四种优化措施对改进的算法进行性能测试，测试结果表明，移植算法可以在设定的两种复杂场景下实现对运动目标的准确检测与分割，场景处理速度可达20 帧/秒，具有较好的实时处理性能。最后，对全文的工作进行了总结，并阐述了后续的工作方向。关键词：智能视频监控运动目标检测聚类贝叶斯理论DSPIAbstractAtpresent,thepublicsafetyoftheworldisbecomingincreasinglyserious,intelligentvideo surveillancehasbecomeanimportantwaytoimplementsecuritymonitoringforspecialplaces,its developmentprospectsareverybroadandbright.Movingobjectdetectiontechnologyisthekey basis forvideo surveillancesystem, so it playsadecisive rolein its subsequent processand analysis. Inaddition,duetothecontinuousdevelopmentofDSPtechnology,itispossibletoimprovevideo surveillancesystemtowardnetworking,real-timeandintelligent.Thisthesiscarriesontheresearch ofmovingobjectdetectionalgorithmbasedonBayesiantheory,andthenrealizeitontheDSP platform.TheBayesianstatisticalmodelisoneofthemostpopularmethodsforbackgroundmodelingat present,whichbuiltontheBayesianclassificationtheory,andmakesafulluseofpriorinformation toachieveaccuratesegmentationofthemovingobject.However,itisusuallytoocostlytoperform forthemethodinrealtime,sinceitisbothmemoryandcomputationallyinefficient