視頻序列中運(yùn)動(dòng)物體檢測(cè)算法研究.pdf

1、在計(jì)算機(jī)視覺(jué)研究領(lǐng)域里,運(yùn)動(dòng)物體檢測(cè)作為預(yù)處理技術(shù)中非常重要的任務(wù),就是將感興趣的運(yùn)動(dòng)物體從背景中分離出來(lái),在智能視頻監(jiān)控(AutomaticVideoSurvalliance,AVS)、視頻壓縮、視頻檢索和智能人機(jī)接口等方面有著廣泛的應(yīng)用。在實(shí)時(shí)場(chǎng)景中,由于光照的變化、背景元素的擾動(dòng)、陰影、照相機(jī)的抖動(dòng)或移動(dòng)等因素的影響,如何將前景從背景中準(zhǔn)確地分離出來(lái)是一個(gè)極具挑戰(zhàn)性的研究問(wèn)題。本文重點(diǎn)對(duì)各種動(dòng)態(tài)場(chǎng)景下的前景檢測(cè)算法進(jìn)行研究。所謂動(dòng)

2、態(tài)場(chǎng)景一種是指由固定照相機(jī)拍攝,但卻存在背景運(yùn)動(dòng)的場(chǎng)景,如背景是噴泉、波浪或飄雪等,另外一種是指存在照相機(jī)移動(dòng)的場(chǎng)景,或者更復(fù)雜的即存在背景運(yùn)動(dòng)又存在照相機(jī)運(yùn)動(dòng)的場(chǎng)景。重點(diǎn)選擇了高斯混合模型(MixtureofGaussian,MOG)、動(dòng)態(tài)紋理(DynamicTexture,DT)模型和基于生物視覺(jué)的Center-Surround機(jī)制的前景檢測(cè)算法作為具體的研究對(duì)象。
　　對(duì)于固定照相機(jī)拍攝的相對(duì)靜態(tài)的場(chǎng)景,針對(duì)MOG算法計(jì)算復(fù)

3、雜度高的問(wèn)題,重點(diǎn)對(duì)該算法進(jìn)行了優(yōu)化和改進(jìn)?；舅枷胧鞘紫冗x用計(jì)算復(fù)雜度低的運(yùn)行期均值(RunningAverage,RA)算法進(jìn)行粗檢測(cè),大致定位到前景所在區(qū)域,然后在粗檢測(cè)的前景區(qū)域里采用改進(jìn)的MOG算法對(duì)每個(gè)像素進(jìn)行細(xì)檢測(cè)。為了抑制陰影的影響,選用YUV顏色格式作為像素的特征。改進(jìn)的方法與傳統(tǒng)的MOG算法和非參數(shù)核密度估計(jì)(No-ParametricKernelDensityEstimator,KDE)算法相比,在獲得較優(yōu)的檢測(cè)性

4、能時(shí),明顯地降低了計(jì)算復(fù)雜度,其運(yùn)行速度能滿(mǎn)足實(shí)時(shí)視頻處理的需要。
　　對(duì)于固定照相機(jī)拍攝的動(dòng)態(tài)場(chǎng)景,重點(diǎn)對(duì)DT模型進(jìn)行了研究分析。針對(duì)其整體建模時(shí)由于輸入數(shù)據(jù)是高維向量,在學(xué)習(xí)DT參數(shù)時(shí)奇異值分解(SingularValueDecomposition,SVD)復(fù)雜度很高的問(wèn)題,對(duì)Gopalakrishnan等提出的SO(SustainObservibility)算法進(jìn)行了優(yōu)化和改進(jìn)。基本思想是先對(duì)觀(guān)測(cè)性測(cè)量方法進(jìn)行了優(yōu)化,然后根

5、據(jù)線(xiàn)性系統(tǒng)的觀(guān)測(cè)性的系統(tǒng)特性,提出可以在圖像的下采樣位置計(jì)算觀(guān)察性大小,并采用上采樣技術(shù)取得原始尺度圖像中每一個(gè)像素的觀(guān)測(cè)性大小。其特點(diǎn)是與SO算法相比在獲得接近的檢測(cè)性能時(shí),計(jì)算復(fù)雜度明顯地降低了。其次,針對(duì)DT局部建模時(shí),雖然降低了單次奇異值分解的復(fù)雜度,但卻增加了奇異值分解的次數(shù),針對(duì)該問(wèn)題,我們對(duì)基于局部DT建模(LocalDynamicTexture,LDT)的方法進(jìn)行了改進(jìn)?；舅枷胧抢脛?dòng)態(tài)冗余度來(lái)計(jì)算塊之間的相似性,只對(duì)

6、相似性小的塊組用DT進(jìn)行建模。改進(jìn)的LDT方法與其他方法相比,具有較低的等錯(cuò)率(EqualErrorRate,EER),同時(shí)計(jì)算復(fù)雜度也比較低。
　　針對(duì)DT模型的狀態(tài)空間維數(shù)事先設(shè)定的問(wèn)題,提出了一種由輸入數(shù)據(jù)驅(qū)動(dòng)的自適應(yīng)設(shè)置方法。該方法根據(jù)DT參數(shù)估計(jì)時(shí)奇異值分解獲得的奇異值矩陣,引入奇異熵的概念,根據(jù)奇異熵增量來(lái)自適應(yīng)選擇狀態(tài)空間維數(shù)。DT模型經(jīng)過(guò)自適應(yīng)設(shè)定維數(shù)后用于動(dòng)態(tài)場(chǎng)景中進(jìn)行前景檢測(cè)將具有較低的等錯(cuò)率,其檢測(cè)性能明顯優(yōu)

7、于模型維數(shù)事先假定的算法。另外,在估計(jì)DT參數(shù)時(shí),為了盡可能避免奇異值分解操作,我們采用一種聯(lián)合batch-PCA(PrincipalComponentAnalysis,PCA)和CCIPCA(CandidCovariance-FreeIncrementalPrincipalComponentAnalysis,CCIPCA)結(jié)合的方法,首先選用batch-PCA估計(jì)的DT參數(shù)作為基參數(shù),再用CCIPCA對(duì)基參數(shù)進(jìn)行更新。和采用batch

8、-PCA方法相比,在獲得接近的性能時(shí),平均每幀處理時(shí)間明顯減少。
　　對(duì)于存在照相機(jī)運(yùn)動(dòng)的動(dòng)態(tài)場(chǎng)景,由于照相機(jī)的運(yùn)動(dòng)使大多數(shù)前景檢測(cè)算法將一部分背景也檢測(cè)為前景,致使算法的虛警率比較高。本文對(duì)基于生物視覺(jué)的Center-Surround機(jī)制進(jìn)行了深入研究,并提出一種先全局后局部檢測(cè)的方法。全局檢測(cè)時(shí)使用改進(jìn)的SO算法以獲得候選的前景區(qū)域,局部檢測(cè)時(shí)采用貝葉斯Center-Surround架構(gòu)在該區(qū)域里計(jì)算像素的局部特征對(duì)比度,最后