視頻運動目標(biāo)的非參數(shù)檢測研究.pdf

1、視頻運動目標(biāo)檢測是計算機視覺領(lǐng)域的一個基本研究內(nèi)容,其檢測結(jié)果的優(yōu)劣對運動目標(biāo)識別、圖像分類等后繼處理的影響巨大。常用的視頻運動目標(biāo)參數(shù)檢測方法,由于其需要假定背景參數(shù)模型而限制了該方法對復(fù)雜多變自然環(huán)境的適應(yīng)性。相對于參數(shù)檢測方法,非參數(shù)檢測方法具有更強的靈活性和環(huán)境適應(yīng)性。因此,本文選擇研究復(fù)雜背景下視頻運動目標(biāo)的非參數(shù)檢測方法,并針對擬合優(yōu)度檢驗和圖像紋理提出了三種新的非參數(shù)檢測算法:
　　 基于擬合優(yōu)度檢驗的視頻運動目標(biāo)

2、檢測算法,將運動目標(biāo)的檢測問題看成是擬合優(yōu)度檢驗問題。假定背景服從高斯混合模型,引入經(jīng)驗分布函數(shù)對樣本數(shù)據(jù)進行統(tǒng)計建模,根據(jù)這兩個模型之間的最大距離來檢測運動目標(biāo)。算法的實現(xiàn)采用了Kolmogorov-Smirnov(KS)檢驗,這個擬合優(yōu)度檢驗正是根據(jù)待檢測像素樣本的經(jīng)驗分布函數(shù)和背景分布函數(shù)之間的最大距離來檢驗該待檢測像素是否來自于背景,進而可以檢測出運動目標(biāo)。
　　 基于最小加權(quán)KS檢驗的視頻運動目標(biāo)檢測算法,由于最小加權(quán)

3、KS估計具有相合性、穩(wěn)健性等良好性質(zhì),本章采用最小加權(quán)KS估計來計算背景模型參數(shù),可以消除背景統(tǒng)計模型的時間限制以及由于小概率事件發(fā)生而帶來的模型偏差,增強背景模型的魯棒性。其實現(xiàn)過程采用了基于貝爾曲線的進化優(yōu)化(Bell-Curve Based evolutionary optimization,BCB)算法來得到背景模型參數(shù)的最小加權(quán)KS估計。由于BCB算法獲取的是背景模型參數(shù)空間內(nèi)的全局最佳值,故運用該算法可以提高背景模型對自然環(huán)

4、境的適應(yīng)性。
　　 基于字典學(xué)習(xí)的可控核回歸視頻運動目標(biāo)檢測算法,運用可控核回歸函數(shù)來描述背景紋理,這克服了傳統(tǒng)目標(biāo)檢測紋理算子不能在平坦區(qū)域有效描述的缺點。使用K均值聚類算法將背景圖像分成若干幅具有相似紋理結(jié)構(gòu)的聚類圖像,進而采用主分量分析法(PrincipalComponent Analysis,PCA)來提取相應(yīng)的背景紋理字典。用學(xué)習(xí)得到的背景紋理字典來重構(gòu)待檢測圖像的背景紋理,可以避免環(huán)境噪聲的干擾,增強背景模型的靈活性

5、和魯棒性。運動目標(biāo)檢測方案則是利用兩個弱檢測器串聯(lián)組成一個強檢測器來將運動目標(biāo)從復(fù)雜背景中準(zhǔn)確有效地檢測出來。一個待檢測圖像首先通過一個基于像素灰度值的弱檢測器來大致提取出待檢測圖像的運動目標(biāo),再進一步通過基于背景紋理字典的弱檢測器來比較真實紋理和重構(gòu)紋理以獲取精確的運動目標(biāo)。
　　 使用Water Surface和Waving Trees視頻序列的實驗仿真結(jié)果驗證了本文算法的有效性。較于現(xiàn)有的檢測算法,本文提出的非參數(shù)檢測算法