復(fù)雜場(chǎng)景下運(yùn)動(dòng)圖像前景提取方法研究.pdf

1、復(fù)雜場(chǎng)景下的運(yùn)動(dòng)前景提取是計(jì)算機(jī)視覺研究領(lǐng)域的研究重點(diǎn)。論文研究復(fù)雜場(chǎng)景中的前景目標(biāo)提取問題，主要針對(duì)三種應(yīng)用較為廣泛的前景提取算法進(jìn)行研究和改進(jìn)。
　　論文提出一種應(yīng)用于復(fù)雜變化場(chǎng)景中的基于混合高斯模型的自適應(yīng)前景提取方法。該方法主要包括以下三個(gè)方面：首先，對(duì)傳統(tǒng)算法中固定高斯分布數(shù)目的設(shè)計(jì)進(jìn)行改進(jìn)，提出了一種動(dòng)態(tài)控制像素高斯分布數(shù)目的方法。其次，通過(guò)在線EM算法對(duì)高斯分布的各參數(shù)進(jìn)行學(xué)習(xí)，使參數(shù)的設(shè)置更為合理。最后，根據(jù)不同像

2、素點(diǎn)的高斯分布數(shù)目反映出的變化特點(diǎn)實(shí)時(shí)調(diào)整每個(gè)像素的權(quán)值更新速率，進(jìn)一步提高了前景提取算法的精確度，并降低了對(duì)算法的人工干預(yù)。實(shí)驗(yàn)結(jié)果表明本方法可得出較好的查準(zhǔn)率和查全率，并與其他前景提取方法相比具有較好的實(shí)時(shí)性。
　　為了進(jìn)一步提高前景提取結(jié)果的精確性，論文提出了一種基于非參數(shù)概率密度估計(jì)的前景提取方法。一方面，使用方核函數(shù)替代高斯核函數(shù)，減少一部分計(jì)算開銷；另一方面，使用迭代的概率密度函數(shù)更新策略，更新的時(shí)間復(fù)雜度不再與N相關(guān)

3、，大大降低了時(shí)間復(fù)雜度。此外還設(shè)計(jì)了一種分割閾值的計(jì)算方法，以提高提取精度。實(shí)驗(yàn)表明，該方法的精確度優(yōu)于基礎(chǔ)算法，相比于其他非參數(shù)概率密度估計(jì)方法實(shí)時(shí)性有了較大提高。
　　為探究空間域范圍內(nèi)信息對(duì)背景模型的影響，論文提出了一種基于LBP背景模型的混合背景建模方法，改進(jìn)了基礎(chǔ)算法的更新過(guò)程，并將這種改進(jìn)方法與之前提出的基于混合高斯模型的自適應(yīng)前景提取方法融合，得到一種基于紋理特征的混合背景建模方法。經(jīng)實(shí)驗(yàn)驗(yàn)證，該混合方法相比與基礎(chǔ)算