复杂背景建模与运动目标检测算法研究-计算机系统结构专业论文.docx

西安电子科技大学 学位论文创新性声明 秉承学校严谨的学风和优良的科学道德，本人声明所呈交的论文是我个人在 导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标 注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成 果；也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的 材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中做了明确的说 明并表示了谢意。 申请学位论文与资料若有不实之处，本人承担一切的法律责任。 本人签名： 日期 西安电子科技大学 关于论文使用授权的说明 本人完全了解西安电子科技大学有关保留和使用学位论文的规定，即：研究 生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保 留送交论文的复印件，允许查阅和借阅论文；学校可以公布论文的全部或部分内 容，可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证，毕业后 结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。 (保密的论文在解密后遵守此规定) 本学位论文属于保密，在 年解密后适用本授权书。 本人签名： 日期 导师签名： 日期 摘要 序列图像中的运动目标检测是计算机视觉与模式识别领域方兴未艾的课题之 一，该技术在机器人导航、智能视频监控系统以及视频图像分析等领域均有广泛 应用。本文围绕运动目标检测中的统计背景建模算法展开研究。 统计背景建模算法分为参数化与非参数化两种。参数化算法假设模型已知， 把对背景的估计转化为对参数的估计。作为参数化算法的典型代表，论文深入讨 论了传统混合高斯模型MOG的基本思想与算法流程，分析了MOG不能快速收敛的 原因，阐述了两种阴影检测机理。针对MOG的不足，论文提出了改进的混合高斯 模型MOG1。MOG1引入了前景模型与新的背景更新机制，使突然静止的运动物体 迅速融入背景，有效地提高了背景收敛的速度。同时为了提高检测的准确性，提 出了在归一化颜色空间(I,g,r)进行阴影检测的新算法。实验证明，(I,g,r)与HSV效果 相当，而在光线突变时有明显的改进。 在非参数化背景建模方面，论文首先讨论了核密度估计的算法原理；定性分析 了样本数量与窗宽对估计结果的影响。然后从MISE及AMISE角度出发，定量分析 了窗宽的作用，给出了窗宽选择的一般公式、两种方法，即简单快速的窗宽选择方 法与交叉验证的方法。 论文详细论述了高斯核密度估计；深入研究了利用绝对差中位数求取窗宽的四 分位点法。针对分位点法与样本数目无关的缺点，论文在正态密度下推导了一个以 样本数为参数的简单快速的窗宽选择公式，并将公式推广到任意密度下，结合导函 数平方积分R(f)的两种逼近，即二阶导卷积与核密度估计，提出了一种更普适的 窗宽选择算法。新算法为了降低复杂度，提出中间步骤Ψr(g)的在线版本，加速了 R(f)的核密度估计(O(n2)到O(n)))，进而求得窗宽hAMISE。实验证明算法在保证实时 性的同时，在目标检测与阴影消除方面效果甚佳。论文多处对计算的简化达到了实 时应用的目的。 关键词：运动目标检测 背景建模 阴影检测 混合高斯模型 核密度估计 Abstract Moving objects detection of image sequences is one of the active domain of computer vision and pattern recognition, which has found wide applications in robot navigation, intelligent video surveillance system, video image analysis and so on. This paper focuses on the study of statistical background modeling, the foundation on which to base the detection of moving objects. Statistical background modeling algorithms fall into two parts: parametric and nonparametric ones. Using the assumption that the background model are known, parametric algorithm turns out to be the parameters estimation. Being a typical representative of parametric algorithm, the