基于改進(jìn)自適應(yīng)混合高斯模型的背景建模及對(duì)象計(jì)數(shù)方法研究.pdf

1、在實(shí)際生活中，攝像機(jī)經(jīng)常被安裝在停車場(chǎng)、交通路口、機(jī)場(chǎng)、銀行等地方進(jìn)行監(jiān)控。由于需要配置人員來進(jìn)行持續(xù)的監(jiān)控導(dǎo)致這是一項(xiàng)乏味并且耗時(shí)的工作。如果能夠開發(fā)一套自動(dòng)化的系統(tǒng)去分析監(jiān)控視頻流，獲取所需要的信息并做出相應(yīng)的決策，那么能夠節(jié)省大量的人力和物力，具有十分重要的現(xiàn)實(shí)意義及經(jīng)濟(jì)價(jià)值。
　　本文在分析現(xiàn)有的運(yùn)動(dòng)檢測(cè)與跟蹤方法的基礎(chǔ)上，從圖像處理的角度，對(duì)基于混合高斯背景建模的運(yùn)動(dòng)檢測(cè)方法進(jìn)行深入研究，并采用目前使用最廣泛的KLT(K

2、anade-Lucas-Tomasi)跟蹤算法進(jìn)行對(duì)象跟蹤并進(jìn)行人數(shù)統(tǒng)計(jì)，本文主要研究?jī)?nèi)容包括:
　　1.基于混合高斯模型的算法改進(jìn)。首先，我們通過實(shí)驗(yàn)分析混合高斯模型在背景分割中的一些缺陷;然后，針對(duì)這些缺陷我們對(duì)原算法提出了一些改進(jìn)思路，改進(jìn)主要分為以下五個(gè)方面:1）基于塊的背景建模;2）背景模型判別準(zhǔn)則;3）模型參數(shù)初始化;4）模型學(xué)習(xí)與背景更新;5）光照突變檢測(cè)。
　　2.背景建模。為了驗(yàn)證改進(jìn)后算法在不同環(huán)境下的背

3、景分割效果，我們?cè)诓煌瑘?chǎng)景下的視頻數(shù)據(jù)庫上進(jìn)行測(cè)試。實(shí)驗(yàn)設(shè)計(jì)思路如下:1）室外環(huán)境下對(duì)算法分割性能的影響，并與其他改進(jìn)算法比較分析;2）室內(nèi)外環(huán)境下算法分割性能對(duì)比;3）驗(yàn)證物體在高速運(yùn)動(dòng)情況下對(duì)分割的影響;4）算法的光照突變檢測(cè);5）復(fù)雜場(chǎng)景下改進(jìn)算法的分割效果。通過各種場(chǎng)景下的實(shí)驗(yàn)結(jié)果對(duì)比分析，證明了我們算法的分割效果優(yōu)于原算法。
　　3.對(duì)象統(tǒng)計(jì)?；谇懊嫖覀兲岢龅母倪M(jìn)的背景分割算法，結(jié)合KLT跟蹤算法，我們采用模式識(shí)別分類

4、的思想，設(shè)計(jì)了一套基于單攝像頭的公交人數(shù)統(tǒng)計(jì)系統(tǒng)，對(duì)上下車乘客進(jìn)行人數(shù)統(tǒng)計(jì)。首先，對(duì)視頻流采用改進(jìn)后的背景建模方法進(jìn)行對(duì)象目標(biāo)檢測(cè);其次，用KLT算法對(duì)分割出的行人目標(biāo)進(jìn)行特征點(diǎn)檢測(cè)和跟蹤;然后，對(duì)跟蹤特征產(chǎn)生的軌跡進(jìn)行實(shí)時(shí)聚類;最后，將聚類結(jié)果輸出，得到人數(shù)統(tǒng)計(jì)結(jié)果。系統(tǒng)有效的解決了在上下車擁擠情況下的行人跟蹤問題以及攝像機(jī)抖動(dòng)問題，使目標(biāo)跟蹤系統(tǒng)獲得較高的可靠性和魯棒性。
　　論文對(duì)復(fù)雜場(chǎng)景下運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法進(jìn)行了比較深