視頻背景建模算法研究.pdf

1、在視頻監(jiān)控、智能交通等領域，通常先檢測視頻圖像中的運動目標，將檢測的結(jié)果用于目標跟蹤、目標分類和行為理解等后續(xù)處理。運動目標檢測是視頻圖像序列分析的基礎和關鍵。國內(nèi)外學者對其進行了大量的研究，至今仍是計算機視覺領域的研究熱點之一。本文的主要工作如下：
　　（1）在復雜場景下進行快速、良好的背景建模，從而進行有效的進行前景檢測是非常困難的，本文對其進行了較為深入的研究和討論，并著重研究了應用廣泛的差分算法、混合高斯背景模型、code

2、book算法和vibe算法。
　?。?）針對差分算法的不足，參考鄰域像素值的變化，對該算法進行了改進，增強了差分算法對噪聲及復雜背景的適應性。同時，利用由vibe算法檢測到的前景圖像，對差分算法形成的“空洞”進行有效的填充。最后將改進后的差分算法和vibe算法得到的前景圖像做與操作，解決了差分算法的“雙影”問題，同時也使vibe算法對“ghost”現(xiàn)象具有更快的收斂速度。選擇合適的分割閾值，則對陰影也會有一定的抑制作用。
　

3、　（3）復雜場景一般成多峰分布，每一個分布的像素都有其相似性。本文將CSDP聚類算法進行改進，在背景模型建立階段，將像素點進行聚類，從而得到背景模型。為了適應局部和全局光照的變化，在前景檢測階段本文從亮度和顏色兩個維度對像素值進行匹配。對匹配成功的像素值進行背景模型的更新，以適應緩慢的背景變化。當靜態(tài)背景模型突然發(fā)生劇烈變化時，本文的算法能夠快速對背景模型進行更新，刪除不存在的背景，或添加新形成的背景，以解決比如車輛突然啟動，或長時間停