基于攝像機(jī)運(yùn)動(dòng)的目標(biāo)檢測(cè)方法研究.pdf

1、動(dòng)態(tài)場(chǎng)景的運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究是當(dāng)今圖像處理與圖像理解領(lǐng)域的一個(gè)熱門方向，也是未來視頻處理的發(fā)展方向，受到當(dāng)前圖像界以及人工智能領(lǐng)域?qū)＜业臉O大重視。本文在角點(diǎn)檢測(cè)及跟蹤基礎(chǔ)上，通過角點(diǎn)的魯棒估計(jì)以提取出只屬于運(yùn)動(dòng)目標(biāo)的角點(diǎn)。并結(jié)合目標(biāo)點(diǎn)集的坐標(biāo)信息在初始分割圖像中提取出目標(biāo)區(qū)域，最終實(shí)現(xiàn)動(dòng)態(tài)場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)。本文主要工作內(nèi)容如下:
　　本文研究了結(jié)合秩約束原理的隨機(jī)抽樣一致性算法，以及提出了基于秩約束原理的最小平方中值方法實(shí)

2、現(xiàn)圖像角點(diǎn)的估計(jì)分類。實(shí)驗(yàn)結(jié)果顯示這兩種方法有很好的穩(wěn)定性、較高的準(zhǔn)確率和較高的崩潰率，能夠?qū)z測(cè)到的運(yùn)動(dòng)目標(biāo)特征點(diǎn)從所有特征點(diǎn)中提取出來。同時(shí)，提出了一種基于最小曲率半徑的分類算法。通過觀察圖像的角點(diǎn)軌跡曲線，在攝像機(jī)與運(yùn)動(dòng)目標(biāo)之間的相對(duì)運(yùn)動(dòng)量較大時(shí)，可以明顯看出背景軌跡曲線和前景軌跡曲線的歪曲程度不同。據(jù)此，通過設(shè)定一個(gè)適當(dāng)?shù)淖钚∏拾霃介撝祵⒈尘败壽E曲線和前景軌跡曲線進(jìn)行區(qū)分，從而將圖像角點(diǎn)分為背景點(diǎn)集和前景點(diǎn)集，以便后續(xù)目標(biāo)的提

3、取。實(shí)驗(yàn)結(jié)果顯示該方法在背景運(yùn)動(dòng)與目標(biāo)運(yùn)動(dòng)之間的相對(duì)運(yùn)動(dòng)量較大時(shí)，可以有效的將運(yùn)動(dòng)目標(biāo)特征點(diǎn)提取出來，與上述兩種方法相比具有計(jì)算簡(jiǎn)單，算法復(fù)雜度低，穩(wěn)定性高等優(yōu)點(diǎn)。
　　本文為提取出只包含目標(biāo)的區(qū)域以實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的檢測(cè)，提出一種結(jié)合目標(biāo)點(diǎn)集的坐標(biāo)信息進(jìn)行目標(biāo)檢測(cè)的方法。該方法首先對(duì)圖像進(jìn)行等周分割，然后利用目標(biāo)點(diǎn)集的坐標(biāo)信息從分割圖像中提取出目標(biāo)區(qū)域，并對(duì)提取出的目標(biāo)區(qū)域進(jìn)行邊界連接和腐蝕膨脹等操作，充實(shí)目標(biāo)區(qū)域，以便得到更為完整