基于SIFT算法的监控视频背景提取及移动目标检测

发布时间：2020-03-18 22:51

【摘要】：监控视频技术应用广泛,视频中的移动目标检测及跟踪是其中的重点和难点。监控视频中的移动目标可以分为背景提取和前景检测两部分,前景检测即移动目标的检测。目前,监控视频的背景提取和前景检测,仍存在许多的不足。考虑到SIFT特征点对环境变化,如亮度变化、光照变化、旋转、噪音等有较好的鲁棒性,本文应用SIFT算法检测监控视频中的移动目标并进行跟踪。针对背景提取,本文通过提取背景的SIFT特征点,以特征点的形式去描述“背景”,一定程度上消除环境变化带来的影响。针对移动目标检测,本文通过背景帧特征点和移动目标图像帧特征点的匹配,除去移动目标图像帧中的背景特征点,得到移动目标特征点,进而检测移动目标。为了检测复杂背景中的移动目标,本文通过适当增加图像帧的特征点数目和密度,并分块匹配,然后利用SIFT特征点的位置信息去除小部分匹配没能去掉的背景特征点。实验结果表明,在光照阴影等复杂环境下本文方法好于背景差分法,帧间差分法等传统经典算法。最后,在移动目标检测的基础上,本文利用SIFT特征点的性质,以及SIFT中的位置参数等信息,通过SIFT特征点匹配进行目标跟踪。相比于其他传统目标跟踪算法如MeanShift跟踪算法等,本文方法的优点是:首先能够直接在目标检测的基础上进行目标跟踪而不需要预先给定运动目标或者手动选择目标区域;其次本文跟踪算法计算复杂度低、效率高且对运动目标的运动速度不敏感。
【图文】：

高斯曲面,二维,原始像

ｙ，（ｊ）＝－￣￣ｒｅ逦（２．２）逡逑１７Ｔ（７逡逑如图２．１所示，其中，按公式计算出来的像素组成的模板矩阵与原始图像继续卷积运算。逡逑所有像素的值都是通过其周围邻近像素值的加权平均取得的。而原始像素的值有最大的权重。逡逑而随着与原始像素距离变大，周围相邻像素所占权重也逐渐减小。相比于其它的图像滤波器，逡逑高斯模糊很好的保留了图像的边缘信息。逡逑图２．１二维高斯曲面图逡逑５逡逑

卷积,二维,矩阵

逡逑图２．１中，高斯曲面任意处的值都大于零。理论上来讲，因为任意曲面处的值都大于零，逡逑所以每个像素去和高斯模糊做卷积运算时都会受到它们的影响，即要把它们也包含在模板矩逡逑阵里面。但是在实际做法中，考虑到距离中心点越远的地方，其值越小，基本接近零。所以逡逑对于离中心点距离大于３倍尺度距离的像素，不将其包含在模板矩阵中，即这些像素的影响逡逑基本可以忽略。通常来讲，实际在编码实现时只需要计算（６ｃｔ＋１Ｈ６＾＋１）的模板矩阵，便能逡逑得到非常近似结果。逡逑２．２．２图像的二维高斯模糊逡逑根据尺度参数＜７的值，，通过高斯公式计算出（６＾７＋１＾６0＇＋：0的二维模板矩阵。然后将模逡逑板矩阵与原图像进行卷积运算，即可对原图像进行一定程度的平滑。为了使高斯模板矩阵中逡逑的各个值在０到１之间，对该模板矩阵进行归一化处理。下图是５＊５的高斯模板矩阵的取值逡逑情况
【学位授予单位】：厦门大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;TN948.6

【参考文献】