论文部分内容阅读
信息化时代人们对智能视频监控系统产生了很高的需求,运动目标检测算法要求能够快速、准确地将视频序列中的运动目标从复杂背景中分离出来,其检测结果直接影响智能视频监控系统后续目标识别和行为分析算法的效果,因此研究运动目标检测算法有重要的应用价值。目前经典运动目标检测算法在简单场景下可以准确检测出运动目标,但实际复杂环境下存在很多干扰因素会影响检测结果。为解决运动目标检测算法在实际复杂场景中遇到的鬼影、动态背景、目标间歇性运动等难点问题,本文设计了一种自适应样本数目的背景差分法(Adaptive Model Size Background Extractor,AMSBE);针对实际环境中普遍存在的阴影问题,设计了一种融合颜色和局部五值相似性模式(Local Five Similarity Pattern,LFSP)纹理特征的运动阴影消除算法。本文的主要工作包括以下几点:(1)针对固定大小的背景样本数目不适合场景中不同像素点的具体情况,本文提出了基于像素点复杂度的自适应背景样本数目,在动态背景区域获得了大的背景样本数目,静态背景区域背景样本数目较小,兼顾了算法的时间内存消耗和检测效果。(2)为解决树叶晃动等动态背景问题,本文在像素级自适应分割(Pixel-Based Adaptive Segmenter,PBAS)算法的基础上改进了基于反馈式系统的自适应判定阈值和背景模型更新率,在动态背景区域有较高的判定阈值,解决了在动态背景区域产生的误检问题,同时运动目标区域取得很低的背景模型更新率,避免了将运动目标信息更新进背景模型造成污染。(3)考虑到背景模型更新过程中随机选择和先进先出更新策略无法准确选出需要被更新的背景样本,本文采用了基于背景样本有效性的更新策略,选取有效性最低的背景样本进行更新,时刻保证了背景模型的有效性。(4)针对背景模型初始化时存在运动目标所产生的鬼影问题,本文改进了基于前景计数矩阵概率更新算法来消除鬼影区域,采用了多阈值的思想,像素点前景计数矩阵值位于不同的阈值范围拥有不同的背景模型更新率,解决了单阈值选取较小将运动缓慢的目标当做鬼影更新进入背景模型造成污染,单阈值阈选取过大造成鬼影问题存在时间过长等问题。(5)针对实际场景普遍存在的阴影问题,首先在LBP纹理特征的基础上,提出了基于局部五值相似性模式LFSP纹理特征的阴影消除算法;其次设计了融合颜色和LFSP纹理特征的运动阴影消除算法,分别利用HSV颜色空间和LFSP纹理特征得到各自的阴影检测结果,然后通过对以上两种阴影检测结果进行决策层融合得到最终的检测结果。实验结果证明,本文的AMSBE算法能较好地克服动态背景、鬼影问题和目标间歇性运动,通过CDnet数据集上8组测试视频实验结果证明,本文AMSBE算法综合评价指标F-measure与ViBe算法相比提高了30%;本文多特征融合的运动阴影消除算法能同时保证低的漏检率和误检率,在CDnet数据集3组测试视频中综合评价指标Avg相对于基于HSV颜色空间的阴影消除算法提升了3.4%。