室外視頻監(jiān)控中基于顯著性的運動目標檢測與分類.pdf

1、顯著性是計算機視覺范疇的一個經(jīng)典問題，通過模擬人眼視覺注意機制，主要強調(diào)與周邊相比細節(jié)變化突出的區(qū)域，但是在顯著性檢測過程中沒有兼顧運動特征，因此非顯著的靜止區(qū)域可能因灰度變化劇烈而被突出。運動目標檢測是計算機視覺領(lǐng)域的研究熱點之一，強調(diào)的是與全局背景有差異的區(qū)域，在檢測出真正的運動目標的過程中還有可能檢測出干擾物體，比如由攝像機輕微抖動或者樹枝搖擺造成的干擾，而這種干擾對比較小的運動目標會產(chǎn)生較強的影響。因此，將顯著性檢測與運動目標檢

2、測結(jié)合，可以克服干擾，得到顯著的運動目標。
　　目標分類是目標跟蹤和目標行為理解重要的一步。由于室外視頻監(jiān)控容易受到光照、天氣、遮擋等因素的影響，為保證分類準確性和實時性，需要選擇最能區(qū)分不同類別的典型特征，提高分類器的分類速度和準確性。
　　本論文所完成的主要工作和提出的創(chuàng)新點如下：
　　(1)首先介紹了當前顯著性檢測算法的研究現(xiàn)狀，然后通過實驗結(jié)果對比了典型顯著性算法的優(yōu)缺點。通過對FT算法的改進，提出了基于多分辨

3、率的FT算法，綜合考慮了局部和整體性，同時也考慮了像素點之間的關(guān)聯(lián)情況。經(jīng)實驗證明該方法可以得到邊界清晰且內(nèi)部均勻的顯著物體。
　　(2)分析和對比了目前常見的運動目標檢測算法的優(yōu)缺點，提出了分塊快速投影運動目標檢測算法，通過對比當前幀與參考幀的水平和垂直灰度投影計算運動矢量，得到視頻幀內(nèi)物體的運動顯著圖。
　　(3)采用動態(tài)優(yōu)先思想，用動態(tài)融合技術(shù)將靜態(tài)顯著圖和運動顯著圖結(jié)果融合，得到最終運動目標檢測結(jié)果。
　　(4

4、)介紹了目標分類方法，選取長寬比、離散度、占空比作為分類特征，分類器采用適合小樣本學習并且泛化能力較好的SVM，實現(xiàn)了車輛、行人、自行車和其他目標的分類。
　　本文算法利用Matlab仿真，通過對視頻數(shù)據(jù)庫http://ftp.pets.rdg.ac.uk/中五組大小為768×576的視頻進行實驗，與二幀差分法、時間平均法和混合高斯模型法相比，本文的基于顯著性的運動目標檢測方法可以提高運動目標檢測的精度。在分類上通過網(wǎng)格尋優(yōu)和5-