论文部分内容阅读
运动目标检测是计算机视觉(Computer Vision,CV)领域中一个重要的研究课题,是视频序列中进行目标跟踪、识别、行为分析等后续处理的基础。目标检测技术在军事战争、智能车辆、视频监控、工业以及生物医学等方面有着广泛的用途。本文主要针对动态背景下的运动目标检测算法展开研究,并对现有全局运动估计补偿算法进行了改进和创新。主要研究内容和取得成果如下:(1)本文通过对常用的几种特征匹配算法进行实验分析,最终选取鲁棒性较强的SURF算法提取帧间运动矢量,并用于估计摄像机模型参数。针对视频序列图像中前景和背景对比度较低的情况,提出先对图像进行直方图均衡化来拉伸图像的灰度级,再对帧间图像进行SURF特征匹配,同时加入RANSAC算法剔除误匹配点。实验分析证明,SURF算法匹配过程进行改进后能够增加帧间特征点的提取数量,同时滤除错误的匹配点对,与传统的SURF算法相比更具有鲁棒性。(2)本文在全局运动估计补偿算法的基础上,提出了基于背景运动矢量提取的全局运动估计补偿算法用于目标检测。首先,通过第三章提出SURF+RANSAC算法对整体图像进行运动矢量提取。其次,根据前景和背景运动矢量的位移不同来设置阈值,区分前景、背景运动矢量,只选取背景运动矢量进行参数估计。最后将计算得到的参数代入运动模型中,并对参考帧进行背景补偿,将当前帧与补偿帧直接做差分运算,检测出运动目标。实验分析证明,本文算法与直接帧差算法和传统的全局运动估计补偿算法相比,能够降低由摄像机运动带来的背景运动干扰,同时提高了运动参数估计的精度,精确的检测出运动目标。(3)针对视频序列图像中目标占用整幅图像比例较小的情况,提出了基于前景和背景区域分块的全局运动估计补偿算法。首先,对原序列图片进行三帧差分并分块,差分图像像素均值作为阈值判断出前景和背景区域块,并对背景区域块标记。其次,对标记的背景区域块提取运动矢量,并进行参数估计。最后将参数代入运动模型对参考帧图像进行补偿,当前帧与补偿帧做差分运算检测出运动目标。实验分析证明,本文算法与直接帧差算法和传统的全局运动估计补偿算法相比,参数估计更精确,目标检测效果更显著。