基于背景减法和帧差法的运动目标检测算法研究qsw5ftxp.docVIP

  • 29
  • 0
  • 约5.59万字
  • 约 78页
  • 2018-09-11 发布于湖北
  • 举报

基于背景减法和帧差法的运动目标检测算法研究qsw5ftxp.doc

基于背景减法和帧差法的运动目标检测算法研究qsw5ftxp

学号: 6120100152 单位代码: 10407 硕士学位论文 论文题目: 基于背景减法和帧差法的运动目标 检测算法研究 研究 方向 图像处理 专业 名称 通信与信息系统 研究生姓名 余启明 导师姓名、职称 任克强教授 2013年6月5日 江西?赣州 运动目标检测是计算机视觉领域的一个重要课题,在航空航天、视频监控以及智能交 通等领域有着广泛的应用前景。研究视频图像序列中运动目标检测算法具有重要的理论价 值和实践意义。本文在分析几种常见运动目标检测算法的基础上,着重研究了背景减法和 帧差法。本文所做的主要工作如下: (1)分析了运动目标检测的应用背景、研究现状和目标检测中要用到的一些视频图像处 理理论。对视频序列中常用的光流法、帧差法和背景减法等运动目标检测算法进行研究, 分别介绍了它们的基本原理和一些改进算法。特别是针对背景减法,分析了常见的几种背 景减法的建模方法。 ⑵在分析现有背景建模方法的基础之上,发现采用传统混合高斯模型建模进行目标检 测时,其学习速率不可根据背景的改变而改变,影响了背景的更新效率,本文提出了一种 改进的运动目标检测算法。改进的算法把学习速率分成背景建模初期和背景形成以后这两 个阶段,在这两个阶段里均采用自适应的学习速率,使得模型可以更即时地更新,从而能 够及时更新背景,消除运动目标的残影,提高检测准确率。实验结果表明,本文算法可以 更准确地检测出运动目标,较好地消除阴影,并具有较好的自适应性和稳健性。 ⑶在分析传统帧差法进行目标检测的基础之上,针对运动目标颜色与背景灰度值相似 情况下出现检测的目标轮廓不完整的问题,本文进行了改进。先用改进的帧差法进行运动 目标检测,再将Canny算子作用于此目标,以提取出边缘信息,最后将目标边缘与原目标 取“或”操作。此方法能够较好地解决运动目标和背景颜色差别较小时,检测的运动目标 轮廓不完整的问题,从而得到更加准确的运动目标。实验结果表明,本文提出的改进的基 于边缘检测与帧差法的运动目标检测算法可用于比较复杂的环境,对目标色彩的局限性小, 具有较好的实用性。 关键词:目标检测;背景减法;混合高斯模型;边缘检测;帧差法 Abstract The detection of moving targets is an important topic in the field of computer vision, and has a wide range of applications in the aerospace, video surveillance, intelligent transportation and other fields. Studying moving target detection algorithm of video image sequence has important theoretical value and practical significance. This paper focuses on the analysis of several common moving target detection algorithms which based on background subtraction and frame difference. The main work of this paper is as follows: Analyzed the background of moving object detection, the current situation and video image processing theory of target detection. Studied three moving target detection algorithms, which are optical flow method, the frame difference method and background subtraction. The principles of these algorithms and improved algorithms are analyzed. At last, this paper studied the modeling methods of the background subtraction. The fixed learning rate is adopted by traditional Gaussian mixture model, in other words, the learning rate can not change along with the b

文档评论(0)

1亿VIP精品文档

相关文档