复杂运动场景的交通视频消抖算法研究

发布时间：2018-01-10 12:06

  本文关键词：复杂运动场景的交通视频消抖算法研究　出处：《中国科学技术大学》2017年博士论文　论文类型：学位论文

  更多相关文章： 视频去抖 特征轨迹 前景轨迹 轨迹找回 自适应控制 交通视频

【摘要】：随着信息技术的发展、智能设备的普及,视频正成为人们记录生活内容的最主要方式。但是拍摄者们大都缺乏专业设备与技术,所以拍摄的视频大都伴有抖动现象,抖动情况在交通视频中尤为严重,会给车牌识别、目标跟踪等后续处理带来极大困难。虽然近年来关于视频消抖算法的研究得到了长足的发展,但是在处理包含复杂运动场景的交通视频中仍然有一些困难尚未解决。本文以交通视频为研究对象,就复杂运动场景给视频消抖处理过程中引入的难题进行了深入研究。视频中的抖动来源于相机本身运动中的抖动分量,因此在正确估计出相机的运动量之后,可以通过滤波等方法予以消除。但是,视频中场景的复杂化会导致相机运动量估计精度降低,尤其是在应对快速移动的场景、多运动物体和大前景物体对背景区域的大面积遮挡和由景深变化带来的视差效应同时存在的情形下,要做到对相机运动量和抖动的正确估计是相当具有挑战性的。本文针对这些挑战,尤其是交通视频中时常出现的大前景物体、视差效应、多运动物体以及由此带来的算法精度降低和耗时的问题,分别提出了具有针对性的算法。归纳起来,本文主要的工作与研究成果有如下三点:1)提出了一种基于反馈的视频消抖算法。现有的视频消抖算法在单独解决视差和大前景物体所带来的问题上,已经有了一些解决办法,但是在同时应对视差和大前景物体时,却没有一个合适的解决方案。本文通过对背景、前景和视差进行建模分析,有针对性地提出一种基于反馈的前景轨迹判别算法,该算法通过单应矩阵的重映射误差将前景物体和视差区域的特征轨迹识别出来,并通过反馈机制增强了算法在应对大前景物体上的鲁棒性。在区分开背景轨迹和前景轨迹之后,对背景轨迹进行低通滤波从而滤除抖动分量,并根据滤波前后背景轨迹的坐标将每一帧都映射到稳定视角下的稳定位置。由于基于反馈的前景轨迹判定算法可以很好地识别出大前景物体和视差区域中的前景轨迹,所以本算法可以保证对于大前景物体和视差的复杂运动场景的视频消抖效果。2)提出了背景轨迹数量增强算法。由于基于反馈的视频消抖算法是基于背景轨迹进行抖动消除,所以算法精度很大程度上取决于背景轨迹数量。而在实际中,背景轨迹数量可能会由于各种原因减少,比如当前景轨迹判定算法阈值过于严格,将会导致部分背景轨迹被错判前景轨迹;或者由于单个或者多个前景物体靠近相机、导致前景物体在画面中占比非常大而对背景区域形成严重遮挡时,背景轨迹数量也会锐减:甚至由于相机运动过快也会导致连续出现的背景轨迹数量严重降低,这些都将导致算法精度下降。为此,提出了背景轨迹找回算法、基于分块的自适应特征检测算法和自适应的特征点数量控制算法,分别用于应对上述三种情形,在提高背景轨迹数量的同时还能在一定程度上抑制前景轨迹的数量,极大地提高了算法在应对复杂运动场景时的鲁棒性。3)提出一种基于轨迹导数的前景轨迹判定算法。由于在基于反馈的前景轨迹判定算法中,需要多次计算单应矩阵,而每次计算单应矩阵都需要进行多次SVD分解,导致前景轨迹判定部分耗时严重。为此,针对基于轨迹的视频消抖算法模型,推导出轨迹导数相对于轨迹坐标的线性模型,并据此提出基于轨迹导数的前景轨迹判定算法,利用轨迹导数线性模型的重映射误差对前景轨迹和背景轨迹进行区分,并通过反馈加强其应对大前景物体的鲁棒性。本文对所提出的算法进行了大量实验,结果表明所提出的基于反馈的视频消抖算法在应对包含复杂运动场景的交通视频时的处理效果优于现有算法,背景轨迹数量增强的算法在应对复杂场景时也起到了提高背景轨迹数量和抑制前景轨迹数量的作用,基于轨迹导数的前景轨迹判定算法在保证判定精度的前提下能够大大降低前景判定算法的执行时间。
[Abstract]:......
【学位授予单位】：中国科学技术大学
【学位级别】：博士
【学位授予年份】：2017
【分类号】：TP391.41

【相似文献】

相关期刊论文 前10条

1 程彩娟;“八后问题”的算法与程序设计[J];天津职业技术师范学院学报;1991年02期

2 葛磊;武芳;王鹏波;张冬林;;3维建筑综合中基于最小特征的面平移算法[J];测绘科学技术学报;2009年02期

3 骆雯,孙延明,陈振威,陈锦昌;判断点与封闭多边形相对关系的改进算法[J];机械;1999年03期

4 李林;卢显良;;一种基于切割映射的规则冲突消除算法[J];电子学报;2008年02期

5 刘巧玲;张红英;林茂松;;一种简单快速的图像去雾算法[J];计算机应用与软件;2013年07期

6 林亚平,杨小林;快速概率分析进化算法及其性能研究[J];电子学报;2001年02期

7 章郡锋;吴晓红;黄晓强;何小海;;基于暗原色先验去雾的改进算法[J];电视技术;2013年23期

8 杨铁军;靳婷;;一种动态整周模糊值求解算法及其仿真分析[J];系统工程与电子技术;2007年01期

9 周秀玲;郭平;陈宝维;王静;;几种计算超体积算法的比较研究[J];计算机工程;2011年03期

10 吴一戎,胡东辉,彭海良;Chirp Scaling SAR成象算法及其实现[J];电子科学学刊;1995年03期

相关会议论文 前10条

1 尹冀锋;;一种新的图象自适应增强算法[A];四川省通信学会一九九二年学术年会论文集[C];1992年

2 宁春平;田家玮;郭延辉;王影;张英涛;郑桂霞;刘研;;计算机辅助增强、分割算法在鉴别乳腺良、恶性肿块中的应用价值[A];中华医学会第十次全国超声医学学术会议论文汇编[C];2009年

3 谢丽聪;;SVB查询改写算法的改进[A];第二十一届中国数据库学术会议论文集（研究报告篇）[C];2004年

4 郑存红;;复杂背景下相关跟踪算法研究及DSP实现[A];中国光学学会2010年光学大会论文集[C];2010年

5 杨文杰;吴军;;RFID抗冲突算法研究[A];2008通信理论与技术新进展——第十三届全国青年通信学术会议论文集（上）[C];2008年

6 高山;毕笃彦;魏娜;;一种基于UPF的小目标TBD算法[A];第十四届全国图象图形学学术会议论文集[C];2008年

7 周磊;张卫华;王晓奇;张军;;基于流水算法的智能路障机器人设计[A];2011年全国电子信息技术与应用学术会议论文集[C];2011年

8 潘巍;李战怀;陈群;索博;李卫榜;;面向MapReduce的非对称分片复制连接算法优化技术研究[A];第29届中国数据库学术会议论文集（B辑）（NDBC2012）[C];2012年

9 李伟伟;蔡康颖;郑新;王文成;;3D模型中重复结构的多尺度快速检测算法[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

10 杨任尔;陈恳;励金祥;;基于棱边方向检测的运动自适应去隔行算法[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

相关重要报纸文章 前1条

1 国泰君安资产管理部;“算法交易”是道指暴跌罪魁祸首?[N];上海证券报;2010年

相关博士学位论文 前10条

1 冯辉;网络化的并行与分布式优化算法研究及应用[D];复旦大学;2013年

2 许玉杰;云计算环境下海量数据的并行聚类算法研究[D];大连海事大学;2014年

3 李琰;基于猫群算法的高光谱遥感森林类型识别研究[D];东北林业大学;2015年

4 陈加顺;海洋环境下聚类算法的研究[D];南京航空航天大学;2014年

5 王洋;基于群体智能的通信网络告警关联规则挖掘算法研究[D];太原理工大学;2015年

6 雷雨;面向考试时间表问题的启发式进化算法研究[D];西安电子科技大学;2015年

7 熊霖;大数据下的数据选择与学习算法研究[D];西安电子科技大学;2015年

8 周雷;基于图结构的目标检测与分割算法研究[D];上海交通大学;2014年

9 王冰;人工蜂群算法的改进及相关应用的研究[D];北京理工大学;2015年

10 周旭;复杂网络中社区发现算法研究[D];吉林大学;2016年

相关硕士学位论文 前10条

1 姚鑫宇;EMD去噪与MUSIC算法在DOA估计中的联合应用[D];昆明理工大学;2015年

2 陆进;面向含噪数据聚类相关算法的研究[D];复旦大学;2014年

3 李家昌;基于能量约束的超声图像自动分割算法[D];华南理工大学;2015年

4 陈坚;基于密度和约束的数据流聚类算法研究[D];兰州大学;2015年

5 高健;基于Zynq7000平台的去雾算法研究及实现[D];南京理工大学;2015年

6 顾磊;基于Hadoop的聚类算法的数据优化及其应用研究[D];南京信息工程大学;2015年

7 杨燕霞;基于Hadoop平台的并行关联规则挖掘算法研究[D];四川师范大学;2015年

8 王羽;基于MapReduce的社区发现算法的设计与实现[D];南京理工大学;2015年

9 许振佳;流式数据的并行聚类算法研究[D];曲阜师范大学;2015年

10 董琴;人工蜂群算法的改进与应用[D];大连海事大学;2015年

，

本文编号：1405192