基于自適應(yīng)高斯混合模型的運(yùn)動(dòng)檢測(cè)算法研究.pdf

1、在智能視頻監(jiān)控、運(yùn)動(dòng)分析、人機(jī)接口的姿態(tài)識(shí)別等應(yīng)用中，一個(gè)基礎(chǔ)而又關(guān)鍵的任務(wù)是從視頻序列中實(shí)時(shí)檢測(cè)出運(yùn)動(dòng)目標(biāo)。對(duì)于固定攝像頭監(jiān)控系統(tǒng)，混合高斯法是最成功的運(yùn)動(dòng)檢測(cè)方法之一?；旌细咚狗ㄖ饕婕暗饺矫妫夯旌细咚鼓Ｐ蛯W(xué)習(xí)、模型分類和運(yùn)動(dòng)檢測(cè)，經(jīng)典混合高斯法在這些方面都做了非常了不起的開創(chuàng)性工作，在應(yīng)用中取得很大的成功。但經(jīng)典方法也存在一些不足之處，本文在研究經(jīng)典算法的基礎(chǔ)上提出部分改進(jìn)，開展了如下研究工作： (1)在線模型學(xué)習(xí)是該方

2、法的要點(diǎn)所在。經(jīng)典在線模型學(xué)習(xí)方法，模型收斂比較慢。本文通過研究，發(fā)現(xiàn)對(duì)于均值和方差，兩者的在線學(xué)習(xí)過程有著本質(zhì)差別?；谶@一點(diǎn)本文提出：均值與方差采用不同的學(xué)習(xí)率，其中均值更新采用自適應(yīng)的學(xué)習(xí)率，方差的學(xué)習(xí)率采用固定值。該方法提高了模型的收斂速度，同時(shí)保證了學(xué)習(xí)系統(tǒng)的穩(wěn)定性。 (2)決定哪些模型是背景，是一個(gè)啟發(fā)式問題，如何正確地定義背景并有效地表達(dá)背景是一個(gè)難點(diǎn)問題。由于場(chǎng)景的復(fù)雜性，經(jīng)典方法在繁忙場(chǎng)景下，運(yùn)動(dòng)物體大而慢時(shí)，

3、運(yùn)動(dòng)目標(biāo)檢測(cè)的效果不理想。本文在考慮更多的時(shí)間相關(guān)性基礎(chǔ)上，針對(duì)模型分類，提出“權(quán)值均值”概念，然后結(jié)合權(quán)值進(jìn)行像素點(diǎn)的前景和背景分類。該方法為模型分類提供了更多信息量，有效地提高了運(yùn)動(dòng)目標(biāo)的檢測(cè)能力。 (3)運(yùn)動(dòng)檢測(cè)是算法的最終目的。由于經(jīng)典算法在匹配閾值上，局限于單像素點(diǎn)的考慮，難以獲取完整目標(biāo)。本文在研究PCNN算法基礎(chǔ)上，提出了自適應(yīng)局部閾值算法；其次，改進(jìn)方法結(jié)合區(qū)域增長(zhǎng)思想，利用PCNN的迭代計(jì)算，逐步檢測(cè)出運(yùn)動(dòng)目標(biāo)