基于模型-模型距離的復(fù)雜場景建模及其應(yīng)用.pdf

1、背景建模作為目標(biāo)檢測、場景理解等的關(guān)鍵環(huán)節(jié)，具有重要的研究意義。本文的主要研究內(nèi)容是基于模型-模型距離的復(fù)雜場景建模，主要研究工作如下：
　　針對傳統(tǒng)的背景建模算法沒有充分利用像素點(diǎn)的時(shí)空信息，本文提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的背景建模方法。為了更充分的利用像素點(diǎn)的空間信息，同時(shí)改變提取空間信息的空間范圍，本文設(shè)計(jì)利用了包含不同膨脹系數(shù)的 atrous卷積多分支結(jié)構(gòu)，用以提取像素不同鄰域范圍的空間信息。另外，為了更充分的利用像素點(diǎn)的

2、時(shí)間域信息，本文提出了對連續(xù)視頻幀圖像序列進(jìn)行變間隔采樣得到網(wǎng)絡(luò)輸入的方法。通過在數(shù)據(jù)庫ChangeDetection Benchmark Dataset的四個(gè)場景中的主觀和客觀實(shí)驗(yàn)對比，本文提出的算法在不同場景中具有較好的適應(yīng)性，特別是在Office場景中的F-Measure達(dá)到92.36％，較經(jīng)典背景建模算法有提升。
　　針對在前景目標(biāo)有長時(shí)間靜止時(shí)，前景和背景不能很好的被區(qū)分，本文提出了基于模型-模型距離的背景建模方法。本文

3、提出了一種基于深度神經(jīng)網(wǎng)絡(luò)的特征提取，并建立特征模型和初始化背景模型。根據(jù)深度神經(jīng)網(wǎng)絡(luò)能夠通過學(xué)習(xí)不斷優(yōu)化特征的提取方式，使得特征能夠更好的表達(dá)關(guān)鍵信息，本文通過深度神經(jīng)網(wǎng)絡(luò)提取特征。進(jìn)一步地，本文提出的特征模型中包含了深層網(wǎng)絡(luò)中的特征和淺層網(wǎng)絡(luò)中的特征，使得特征模型從不同層面對像素點(diǎn)進(jìn)行描述。同時(shí)利用特征模型對像素點(diǎn)的背景模型進(jìn)行初始化。為了衡量像素點(diǎn)和其背景模型的相似度，提出了特征模型到背景模型（Feature Model to B

4、ackground Model, M2M）的距離。
　　針對前景目標(biāo)突然離開造成的“空洞”，本文利用最小、最大M2M距離對像素點(diǎn)和其鄰域像素點(diǎn)的背景模型進(jìn)行更新。另外，本文介紹了模型更新控制器的自適應(yīng)更新過程。通過在數(shù)據(jù)庫ChangeDetection Benchmark Dataset的四個(gè)場景中的主觀和客觀實(shí)驗(yàn)對比，本文提出的M2M算法較好于主流的五種背景建模算法。特別是在場景Office中的F-Measure達(dá)到95.94%