智能监控视频图像的动态目标检测算法研究

发布时间：2022-01-24 18:27

　　智能视频监控系统的数字化特征使其在军事应用起到重要作用,随着人们安全意识的提高和计算机视觉领域的发展,智能视频监控系统在生活化的普通场景中得到了广泛的应用。动态目标检测是智能视频监控的核心技术,也是当前计算机视觉领域的研究热点。动态目标检测技术是机器视觉、图像匹配、图像检测、目标跟踪和模式识别等技术的前提和基础,目标检测结果的好坏直接影响后续的目标跟踪及目标定位的准确性。本文针对当前在智能视频监控中动态目标检测的相关算法进行深入研究,并提出了两种改进的运动目标检测算法。主要工作为:（1）研究了常用的三大类动态目标检测算法。主要对二帧差分法、三帧差分法、SGM、和GMM进行了实验分析。首先设计了GUI界面,将四种算法在光照条件不同的两个视频数据集highway和people下进行实验,并对实验结果进行了定性分析和定量评估,为后续的算法改进提供基础。（2）针对GMM算法受光照影响较大的缺陷,提出一种改进的GMM结合阴影检测的动态目标检测算法。首先对GMM在模型初始化、背景模型建立、背景模型更新提出改进措施。然后与霍特林阴影抑制算法结合,完成整体动态目标检测算法的设计。最后,对检测结果进行后... 

【文章来源】：天津职业技术师范大学天津市

【文章页数】：62 页

【学位级别】：硕士

【部分图文】：

图像处理原理图

8动态目标区域整体更清晰、轮廓更明显，对后续的目标跟踪和分析工作提供了良好基矗也提升了整体算法检测结果的精确率。文中主要对后期优化的形态学处理做主要研究。数学形态学处理已经成为一种新的图像处理理论，根本上是以几何学思想为基础的。首先应用于处理二值图像，将二值图像看做集合后，用几何的结构元素来探测。二值图像的形态学算法以腐蚀和膨胀这两种基本运算为基础，发展出其他常见形态运算，如开闭运算、击中变换等[29]。（1）腐蚀、膨胀腐蚀算法是将图像中图形的一部分边界点，在结构元素约束下消除进行，从而向图形内部进行了收缩。把设为检测图像，为关于图像的结构元素。被腐蚀可定义表示为（2-1）由将平移仍包含在内的所有点组成。将看做模板，则腐蚀过程可以看做是由模板平移的过程中所有可以填入目标内部的模板原点组成的。腐蚀的具体步骤是：①设定好结构元素和形状和位置；②对二值图像扫描，得到像素值为1的点；③把结构元素位置点移动到像素点为1的位置，判断结构元素内是否所有像素值都是1。若都为1时，则将腐蚀后的相同位置上像素也设为1；若不是，则设为0；④再对值为1的像素点进行扫描，重复③。例如，设被作用的目标区域是直径为的多个圆点，腐蚀的结果是沿着圆点的边界向内收缩，直径变小，同时连接部分断开，分裂成多个部分。如图2-2所示。图2-2腐蚀效果示意图因此，选取的结构元素不同时，可以达到去除相对较小的物体的目标。如果物体间还存在小的连接部分，此时通过合适的结构元素就能将目标之间没有检测到的细小连通部分腐蚀掉，分成各个独立的目标。总体来说，腐蚀的作用是收缩图像。通过消除边界点，使边界向内部收。在目标检测

9中通常对于去除小噪声和细微连接部分非常有效。膨胀是腐蚀的对偶运算，实在结构元素约束下将与目标区域临近的背景点都合并到目标区域中，使目标的边界范围扩大，面积有了小范围的增加。将设为集合的补集，表示关于原点的对称集。被膨胀可定义表示为：（2-2）为了利用元素膨胀检测图像A，将相对原点旋转180°，得到，再利用对进行腐蚀。在图像处理出，膨胀将与物体接触的所有背景点在该物体中合并，使边界向外扩张，对填补图像分离时留下的孔洞很有用[30]。例如，设被作用的目标区域是直径为的多个圆点，膨胀的结果是沿着目标的边界向外扩张，直径变大，同时目标内有缺失的小空洞会进行连接填补。如图2-3所示。图2-3膨胀效果示意图总体来说，膨胀的作用是扩张图像。通过合并背景点，是边界向外部扩。通常在连接断开的目标上有比较好的效果。（2）二值开、闭运算开运算是指通过一个结构元素对图像进行先腐蚀再膨胀的算法。还看做检测图像，仍为关于图像的结构元素。对进行开运算，可定义表示为（2-3）图2-4开运算效果示意图

【参考文献】：
期刊论文
[1]基于改进的混合高斯模型运动目标检测算法研究[J]. 范超男,李士心,张海,郭荣.  天津职业技术师范大学学报. 2019(04)
[2]基于改进混合高斯模型与阴影去除的目标检测[J]. 王林,和萌.  计算机测量与控制. 2019(07)
[3]基于三帧差分混合高斯背景模型运动目标检测[J]. 李晓瑜,马大中,付英杰.  吉林大学学报(信息科学版). 2018(04)
[4]基于混合高斯模型与五帧差分的运动目标检测算法[J]. 李战明,谭向阳.  计算机与数字工程. 2018(02)
[5]基于SACON模型和五帧差分法的目标检测算法[J]. 朱世松,付万超.  测控技术. 2017(12)
[6]基于改进高斯混合模型及纹理的阴影去除算法[J]. 王雅宁,张鸿.  计算机工程与设计. 2017(07)
[7]Online Unsupervised Learning Classification of Pedestrian and Vehicle for Video Surveillance[J]. HE Yi,SANG Nong,GAO Changxin,HAN Jun.  Chinese Journal of Electronics. 2017(01)
[8]视频图像中的运动目标检测[J]. 周同雪,朱明.  液晶与显示. 2017(01)
[9]基于视频监控的人脸检测跟踪识别系统研究[J]. 胡一帆,胡友彬,李骞,耿冬冬.  计算机工程与应用. 2016(21)
[10]基于五帧差分和改进的Meanshift算法的运动目标跟踪[J]. 陈双叶,王善喜.  计算机科学. 2016(S1)

博士论文
[1]视频中运动目标阴影检测研究[D]. 代江艳.东北师范大学 2014

硕士论文
[1]视频序列中运动目标检测算法的研究[D]. 何胜皎.兰州理工大学 2018
[2]基于码书模型的动态背景建模及前景目标检测[D]. 刘威.天津大学 2013
[3]动态图像序列中目标检测与跟踪技术研究[D]. 张强.华北电力大学 2012
[4]智能交通信号控制系统中车流量检测及图像处理算法研究[D]. 辛安民.长春理工大学 2009



本文编号：3607078