论文部分内容阅读
运动目标检测是计算机视觉系统中位于底层的关键技术,在智能视频监控、人机交互、多媒体技术等方面有广泛的应用。然而,在很多复杂应用场景中,由于动态背景、光照的缓慢和突然变化、阴影和伪装等多种因素的影响,为运动目标检测技术带来了极大的挑战。为了解决上述问题,本文针对复杂场景下运动目标检测关键技术进行了深入研究,主要研究内容和创新点如下:(1)针对现有背景差分算法对复杂场景中光照变化和阴影敏感等问题,论文提出了一种新的基于局部奇异值分解二值模式(LSBP)特征的样本一致性运动目标检测算法。新提出的LSBP特征可以有效的抑制光线变化、阴影和噪声对背景的影响,同时对于比较光滑的区域也具有区分性。算法对颜色特征和LSBP纹理特征使用样本一致性两级验证,并且根据背景的复杂程度动态调整阈值。实验结果表明,所提算法在复杂场景下比单一颜色特征的检测能更好的应对光照变化和阴影等问题。(2)针对传统混合高斯模型中固定学习率导致复杂动态场景下背景更新不及时的问题,论文提出了一种新的基于像素分类学习的混合高斯背景模型。该模型基于“未来数据”将背景像素分为热背景(动态背景)和冷背景(静态背景)两种类型,并利用基于局部二值模式(LBP)和基于局部奇异值分解二值模式(LSBP)的双层纹理特征的前景分类方法用于区分真前景和伪前景,最终为不同像素类型适应不同学习率。质量和量化实验结果表明,该方法能有效提高背景模型的自适应性与鲁棒性,并能处理动态背景、图像噪声和光线突变等问题。(3)针对现有批处理模式的低秩优化运动目标检测算法缺乏实时性问题,论文提出了一种在线的基于低秩优化的运动目标检测方法。该方法保留了批处理的运用低秩表示来检测具有区域连续性的目标的算法(DECOLOR)和在线鲁棒主成份分析算法(ORPCA)各自的优点并改进了这两个算法存在的问题,包括吸收DECOLOR算法关于前景目标的稀疏性和连通性,估计背景模型时采用了有序的在线低秩优化ORPCA算法。在前景目标的估计阶段,采用混合高斯模型从初步结果中分离出可靠的异常值用于表示真正的前景,解决了动态背景和图像噪声带来的影响。实验结果表明,该方法实现了在线实时可靠的运动目标检测,并能达到批处理算法的性能,能有效的处理图像噪声和动态背景。