视频监控中运动目标的检测、分类识别与跟踪

发布时间：2017-05-08 07:00

  本文关键词：视频监控中运动目标的检测、分类识别与跟踪，由笔耕文化传播整理发布。

【摘要】：随着时代的进步和发展,人们对社会安全问题越来越重视。视频监控在其中发挥了重要的作用。随着计算机技术和硬件技术的不断发展更新,为视频监控技术的智能化发展提供了充分的硬件平台和技术支持。而对视频中的运动目标进行检测和分析是智能监控的关键技术之一。在实际生活中,视频中大部分有意义的信息都包含在运动目标当中,而智能视频监控就是希望通过计算机来完成运动信息的处理。本文对智能视频系统中的三个部分作了相关研究,包括运动目标的检测技术、运动目标的跟踪技术和运动目标的分类识别技术。对各部分进行研究的主要内容如下:1.针对自适应混合高斯背景建模学习较慢的问题,本文提出了一种新的学习因子,该学习因子的学习速率随着权重的变化而变化。通过实验对比,证明了该学习因子能够加快均值和方差的学习。由于检测出来的目标存在阴影,本文阴影在HSV(Hue,H;Saturation,S;value,V)空间的特点,提出了一个基于自适应混合高斯模型的阴影检测方法。该检测方法是通过对S、V分量的控制实现阴影检测。通过实验对比,证明该检测模型的时间消耗相对较少且能够有效的消去目标存在的阴影。2.为了能够更为准确的提取出目标特征,提出了一个加权“均值”,采用该“均值”替代其核Fisher判别分析中的类样本均值进行目标分类识别。该“均值”是对每类的每一幅图像进行加权平均,随着每类图像的不断输入权重不断减小。采用该算法进行了两组对比实验,实验一是对视频中的运动目标进行分类识别,实验二是对人脸进行识别。经实验证明该算法能够快速且准确的识别出目标。3.针对传统方法中阈值需要根据不同的背景不断调整的情况,提出了一种自适应的阈值与Kalman滤波相结合的跟踪方法。该阈值通过对每幅图像进行列平均之后排序,取其中的中间值的0.35倍作为背景差的阈值。采用该阈值与Kalman滤波的结合能够较好的跟踪运动目标。
【关键词】：运动目标 目标检测 高斯模型 阴影检测 分类识别 目标跟踪
【学位授予单位】：湖南工业大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要4-5
• ABSTRACT5-9
• 第一章 绪论9-17
• 1.1 研究背景9-10
• 1.2 研究意义10-11
• 1.3 国内外研究现状及发展趋势11-15
• 1.3.1 运动目标检测算法研究现状11-12
• 1.3.2 运动目标阴影去除算法研究现状12
• 1.3.3 运动目标的分类识别研究现状12-14
• 1.3.4 运动目标跟踪算法研究现状14-15
• 1.4 本文研究内容15-16
• 1.5 论文的结构安排16-17
• 第二章 运动目标的检测、分类识别与跟踪技术综述17-27
• 2.1 图像预处理17-19
• 2.1.1 RGB颜色空间17-18
• 2.1.2 HSV颜色空间18-19
• 2.1.3 其他颜色空间19
• 2.1.4 颜色空间的选择19
• 2.2 运动目标的检测技术19-23
• 2.3 运动目标的阴影消除技术23-24
• 2.4 运动目标的分类识别技术24-25
• 2.5 运动目标的跟踪技术25
• 2.6 本章小结25-27
• 第三章 自适应混合高斯背景建模和阴影去除方法27-37
• 3.1 高斯背景建模的方法27-30
• 3.1.1 单高斯背景建模27-28
• 3.1.2 混合高斯背景建模28-30
• 3.2 改进的混合高斯背景模型30-31
• 3.3 运动目标阴影去除31-34
• 3.3.1 阴影的产生31-32
• 3.3.2 阴影的特征32
• 3.3.3 阴影去除算法32-33
• 3.3.4 改进的基于HSV空间的阴影检测模型33-34
• 3.3.5 算法具体步骤34
• 3.4 实验结果及其分析34-36
• 3.4.1 实验数据和结果34-36
• 3.4.2 实验结果分析36
• 3.5 本章小结36-37
• 第四章 基于改进核FISHER判别分析运动目标的分类识别37-47
• 4.1 FISHER鉴别准则37-41
• 4.2 改进的核FISHER判别分析41
• 4.3 基于改进的核FISHER判别分析实验结果及其分析41-46
• 4.3.1 运动目标分类识别实验41-44
• 4.3.2 人脸识别实验44-46
• 4.4 本章小结46-47
• 第五章 自适应阈值与卡尔曼滤波结合的运动目标跟踪方法47-55
• 5.1 引言47
• 5.2 卡尔曼滤波算法47-49
• 5.3 卡尔曼滤波跟踪49-51
• 5.4 自适应阈值与KALMAN滤波的结合51-52
• 5.5 实验内容及结果52-53
• 5.6 本章小结53-55
• 第六章 总结与展望55-57
• 6.1 论文总结55
• 6.2 展望55-57
• 参考文献57-62
• 攻读硕士学位期间主要研究成果62-63
• 致谢63

【相似文献】

中国期刊全文数据库 前10条

1 张哲源;史颖欢;高阳;;基于色彩和形态特征的人阴影检测方法[J];微电子学与计算机;2009年10期

2 房正华;赵静;杨新艳;;智能交通系统中的阴影检测技术[J];计算机与现代化;2010年05期

3 杜丙新;丁国栋;;一种改进的基于统计的阴影检测方法[J];科学技术与工程;2010年32期

4 刘晋苏;任沁源;韩波;李平;;基于微型无人机平台的航拍动态阴影检测[J];武汉大学学报(信息科学版);2010年11期

5 王磊;胡霞;;基于视频的运动车辆阴影检测与去除[J];苏州市职业大学学报;2010年03期

6 闻帆;屈桢深;闫纪红;;集成多特征信息的运动阴影检测[J];哈尔滨工业大学学报;2011年05期

7 张力耘;贾晓敏;陈苏娟;;基于总变分的多特征阴影检测方法研究[J];电力勘测设计;2011年05期

8 王雨隽;;阴影检测方法研究——基于背景缩减的阴影检测算法[J];电脑知识与技术;2011年32期

9 史波;王红;;一种自学习阴影检测方法[J];计算机应用研究;2012年05期

10 李文举;高连军;崔晓松;尉秀芹;;基于多源信息的阴影检测[J];辽宁工业大学学报(自然科学版);2013年01期

中国重要会议论文全文数据库 前4条

1 蔡海鹏;潘志庚;孙超;;面向视频场景的虚实交互中的运动阴影检测算法[A];第四届和谐人机环境联合学术会议论文集[C];2008年

2 鲁玮;管庆;;移动阴影检测和消除算法研究[A];2008年中国高校通信类院系学术研讨会论文集（下册）[C];2009年

3 孙睿;宫峰勋;;一种改进的边缘比率阴影检测方法[A];全国第二届信号处理与应用学术会议专刊[C];2008年

4 黄建军;彭蓉;;基于网络并行的高分辨城市航空影像阴影检测[A];全国第一届信号处理学术会议暨中国高科技产业化研究会信号处理分会筹备工作委员会第三次工作会议专刊[C];2007年

中国博士学位论文全文数据库 前4条

1 代江艳;视频中运动目标阴影检测研究[D];东北师范大学;2014年

2 闻帆;基于视觉的交通路口车辆智能检测技术研究[D];哈尔滨工业大学;2010年

3 李子龙;智能交通系统中视频目标检测与识别的关键算法研究[D];华南理工大学;2014年

4 汤义;智能交通系统中基于视频的行人检测与跟踪方法的研究[D];华南理工大学;2010年

中国硕士学位论文全文数据库 前10条

1 王国华;云台摄像机道路事件检测方法的研究与实现[D];大连海事大学;2016年

2 杨薇丹;复杂场景下的阴影检测[D];中国海洋大学;2015年

3 赵玉琴;自然光照下葡萄叶片图像的颜色恢复与阴影检测[D];甘肃农业大学;2016年

4 张先鹏;基于多种特征的高分辨率遥感影像阴影检测算法研究[D];西南交通大学;2016年

5 王s胬，

本文编号：350632