視頻監(jiān)控中的預處理、目標檢測和跟蹤方法研究.pdf

1、自物聯(lián)網(wǎng)的概念被提出以來，人們希望自己的生活往智能化方向發(fā)展。視頻監(jiān)控屬于智慧安防的一個重要方面，一直是物聯(lián)網(wǎng)、計算機視覺的研究焦點，有極其重要的研究意義。本文從理論和實際應用出發(fā)，重點研究了視頻監(jiān)控中的圖像預處理、目標檢測和目標跟蹤等方面，解決了視頻監(jiān)控中視頻質(zhì)量不高、目標檢測率低和目標跟蹤處理時間長及不準確等問題。研究內(nèi)容包括以下幾個方面：
　　一、對視頻傳播中被噪聲影響而造成視頻圖像質(zhì)量降低的情況，研究了圖像預處理來改善視頻

2、質(zhì)量。為了去除圖像中普遍存在的兩種噪聲：高斯噪聲和椒鹽噪聲，本文對能夠去除高斯噪聲并平滑圖像的雙邊濾波器進行了研究和改進，提出了一種能夠同時去除高斯噪聲和椒鹽噪聲的加權雙邊濾波器，彌補了雙邊濾波器在去除高頻噪聲方面的不足。實驗結果證明，該算法能夠在平滑圖像、保留邊緣的同時去除椒鹽噪聲。
　　二、對目標檢測算法進行了研究。目標檢測分為運動目標檢測和靜態(tài)圖像中的目標檢測。在視頻中進行檢測，既可以檢測到運動目標，又可以將視頻幀作為靜態(tài)圖

3、片來進行檢測，因此本文將兩者相結合，以提高檢測率。在運動目標檢測上，本文利用背景差分法，建立背景模型，以檢測運動目標。在靜態(tài)圖像的目標檢測中，本文利用梯度方向直方圖特征加支持向量機分類器的方法進行目標檢測。本文提出了一種將兩者有效結合、同時進行檢測的方法，實驗證明，該方法能提高檢測率。
　　此外，在目標特征提取的過程中，本文發(fā)現(xiàn)，特征提取的好壞對目標檢測的結果有著很重大的影響，而特征提取又是人為的、同時需要大量經(jīng)驗技巧的，因此本文

4、希望能利用一種自動提取目標特征的方法來提取較好的特征，而當前在機器學習領域快速發(fā)展的深度學習方法恰好能夠滿足本文的需求。因此，本文研究了基于深度學習的目標檢測方法，雖然該方法目前還不是很成熟，但是實驗表明，該方法還是有不錯的性能。
　　三、在視頻目標跟蹤方面，本文對傳統(tǒng)的算法進行了總結。然后對實用性很好的跟蹤學習檢測（Tracking-Learning-Detection，TLD）算法進行了詳細的研究，該算法將跟蹤和檢測算法相結合