動態(tài)場景下的目標檢測技術(shù)研究.pdf

1、基于視頻的動態(tài)場景下的目標檢測是計算機視覺和模式識別在人工智能領(lǐng)域的重要應(yīng)用之一，在機器人導(dǎo)航、汽車安全輔助駕駛系統(tǒng)等應(yīng)用領(lǐng)域有著深遠的意義。
　　與傳統(tǒng)的靜態(tài)背景下的運動目標檢測不同的是，動態(tài)環(huán)境下運動前景和背景都存在運動，因此單純的依靠運動存在與否作為判別標準的背景差法和幀差法都無法直接應(yīng)用于動態(tài)場景下的運動目標檢測。本文對基于視頻的動態(tài)場景下的目標檢測問題進行了研究，并提出了基于特征點運動矢量估計的運動前景檢測方法，其主要內(nèi)

2、容有以下幾個方面:
　　將SIFT算法應(yīng)用于動態(tài)場景下的特征點檢測，并利用SIFT算法在光照變化、尺度變換、噪聲、遮擋等方面匹配效果的魯棒性，進行穩(wěn)定的特征點匹配，為特征點的運動矢量估計提供數(shù)據(jù)基礎(chǔ)。
　　在特征點分類方面，提出了基于特征點匹配關(guān)系的目標運動矢量估計方法，并在此基礎(chǔ)上提出了基于運動矢量的特征點分類算法。該方法通過對特征點運動矢量的聚類性質(zhì)進行分析，可以自動獲取前景與背景的粗分類結(jié)果。此后，通過對噪聲特征點、誤

3、匹配特征點以及誤分類特征點的去除，獲得前景特征點與背景特征點的準確分類結(jié)果。
　　在運動目標檢測方面，本文根據(jù)背景上特征點的運動矢量，以非線性插值的方式建立背景模型，將相鄰采樣幀之間的動態(tài)背景轉(zhuǎn)化為靜態(tài)背景;通過幀間差分法找到運動目標的大致區(qū)域作為GVF Snake模型收斂的初始輪廓;通過GVF Snake模型找出運動目標的大致輪廓，并以這個大致輪廓為區(qū)域生長的停止條件，將前景上的特征點作為種子點，采用多個種子點并行的區(qū)域生長方式