智能视频监控算法及其在FPGA实现的研究

发布时间：2017-08-14 14:39

  本文关键词：智能视频监控算法及其在FPGA实现的研究

  更多相关文章： 智能视频监控 运动目标检测 运动目标跟踪 FPGA实现

【摘要】：随着计算机与图像处理技术的快速发展,智能视频监控技术已经成为安防领域一个重要的研究课题。智能视频监控可以利用成像系统代替人眼,用计算机代替大脑,从而像人那样完成监控任务,减轻人的负担,对解决‘视觉信息膨胀’与监控实时性间的矛盾十分有意义。运动目标检测与跟踪属于智能视频监控系统的底层与中层,其结果能够为后续的行为理解与决策提供有效可靠的数据基础,因而准确且鲁棒的检测与跟踪方法对于应用于复杂场景的智能监控系统尤为重要。本文对运动目标检测与跟踪这两个方面内容展开研究,详细分析了当前常用的运动目标检测与跟踪方法的原理、优缺点及适用场景,并提出了本文的创新方法。主要工作如下:1.针对当前简单的两帧图像差分法会产生很多的噪声点,且这些噪点基本集中在图像的边缘附近的特点,提出一种改进帧差法。该方法利用凹形模板处理与三帧差分法来减少图像中背景边缘与运动目标边缘附近的噪点,降低了目标检测的误检率。融合改进帧差法与自适应混合高斯模型的运动目标检测方法能够有效改进帧差法检测目标不完整与混合高斯模型光照敏感,动态环境适应差的缺点,提高了目标检测的准确性与鲁棒性。2.利用粒子滤波实现的目标跟踪,能够较好的适应非线性,非高斯的复杂场景监控系统。本文提出的自适应多特征融合的粒子滤波目标跟踪方法将颜色作为主特征,边缘梯度作为辅特征,充分利用这两个特征加权直方图的优点,提高了目标跟踪的鲁棒性;且自适应的更新粒子数目与直方图能够在保持算法跟踪准确性的基础上,有效降低计算量,提高了目标跟踪的实时性。3.随着高清智能视频监控系统的兴起,传统的视频图像处理平台已无法满足计算需求。考虑到FPGA单位时间内高密度运算能力强的特点,本文提出利用FPGA实现改进帧差法,其不仅占用的硬件资源少,且实时性也得到很大提升。
【关键词】：智能视频监控 运动目标检测 运动目标跟踪 FPGA实现
【学位授予单位】：湖南师范大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要3-5
• ABSTRACT5-11
• 第一章 绪论11-18
• 1.1 智能视频监控技术应用11-12
• 1.2 智能视频监控原理12-14
• 1.3 智能视频监控研究现状14-16
• 1.4 主要工作与安排16-18
• 第二章 监控图像预处理18-27
• 2.1 图像去噪18-22
• 2.1.1 噪声模型18-20
• 2.1.2 去噪方法20-22
• 2.2 形态学处理22-25
• 2.2.1 腐蚀与膨胀22-23
• 2.2.2 开运算与闭运算23-25
• 2.3 图像边缘检测25-26
• 2.4 本章小结26-27
• 第三章 运动目标检测方法研究27-41
• 3.1 常用运动目标检测算法27-30
• 3.1.1 相邻帧差法28
• 3.1.2 光流法28-29
• 3.1.3 背景差法29-30
• 3.1.4 不同检测方法的适用性分析30
• 3.2 改进的运动目标检测算法30-37
• 3.2.1 改进的帧差法30-33
• 3.2.2 自适应混合高斯模型法33-35
• 3.2.3 融合改进帧差法与自适应混合高斯模型的目标检测方法35-37
• 3.3 实验结果与分析37-39
• 3.4 本章小结39-41
• 第四章 运动目标跟踪方法研究41-57
• 4.1 常用运动目标跟踪方法42-44
• 4.1.1 基于特征的目标跟踪方法42
• 4.1.2 基于活动轮廓的目标跟踪方法42
• 4.1.3 基于模型的目标跟踪方法42-43
• 4.1.4 基于预测的目标跟踪方法43
• 4.1.5 不同跟踪方法的适用性分析43-44
• 4.2 粒子滤波的基本原理44-49
• 4.2.1 离散贝叶斯滤波系统44-46
• 4.2.2 蒙特卡洛采样(Monte Carlo Sampling)46
• 4.2.3 贝叶斯重要性采样(Importance Sampling)46-48
• 4.2.4 粒子滤波的算法描述48-49
• 4.3 基于自适应多特征融合的粒子滤波目标跟踪方法49-54
• 4.3.1 目标特征选取49-52
• 4.3.2 距离度量52
• 4.3.3 跟踪算法设计52-54
• 4.4 实验结果与分析54-56
• 4.5 本章小结56-57
• 第五章 基于FPGA的目标检测算法实现57-66
• 5.1 FPGA简介57-59
• 5.2 FPGA实现改进帧差法59-63
• 5.3 FPGA算法处理资源分析63-65
• 5.4 本章小结65-66
• 第六章 总结与展望66-68
• 6.1 本论文的主要内容66-67
• 6.2 未来的工作展望67-68
• 参考文献68-72
• 致谢72-74
• 攻读硕士期间主要科研成果74-75

，

本文编号：673187