论文部分内容阅读
随着现代科技的日益进步与发展，监控摄像头已经快速进入了社会的各行各业，而这些摄像头都录制了大量的监控视频，这些视频又很少有人专门去查看，只是在发生一些恶性事件后作为事后证据来用，这样对监控视频的使用并没有体现了其应有的价值。因此，人们开始越来越重视对监控视频的智能分析工作。在监控视频处理领域，最主要的任务就是对监控视频中的运动的人和物的行为做出判断，来达到预防犯罪的作用。而对视频中的运动物体的行为分析又是基于监控视频中的运动检测和跟踪技术来完成的。因此，本文将研究的焦点放于监控视频中的运动前景物体的检测问题，通过观察背景像素值在RGB空间中的分布，提出假设，建立背景像素值分布模型，然后通过实验验证模型的有效性和准确性。目前大多数的背景建模算法在对背景像素值变化规律的刻画上都存在着不准确的问题，它们对背景模型的假设也都不符合实际的情况。如混合高斯算法假设RGB空间中的三个分量是相互独立的。本文针对以上当前背景建模算法存在的问题，主要做了以下几方面的工作：①研究了运动物体检测方面使用的各种方法文献，对这些文献进行梳理，绘制了运动物体检测方法的发展路线图；并深入介绍了目前使用较多的混合高斯算法和codebook算法，详细的分析了这两种算法在对背景模型的刻画方面的能力，研究了造成背景模型刻画不准确的原因；在分析其他算法的基础上，对实际视频序列的像素值在RGB空间当中的分布进行采样验证实验，并给出采样结果；②在采样实验的基础上提出了基于RANSAC算法的回归模型背景建模算法，该算法将背景像素值的变化特征与规律建模成一个线性回归模型。将RGB三维的问题转为一维的问题来考虑；③同时，在采样实验的基础上提出了基于主成分分析的codebook背景建模算法，该算法将背景像素值的变化特征与规律建模成一个RGB空间中的圆锥体，并使用主成分分析算法求得圆锥体的中轴。④通过实际检测效果实验和ROC曲线实验分析对比了本文算法与混合高斯和codebook算法的检测效果。