论文部分内容阅读
移动目标检测是视频系统中行为识别、目标跟踪等智能分析技术的基础,通过获取目标相关的移动参数,对移动目标的运动轨迹进行分析和预测,再对得到数据进行处理,从而实现对移动目标不同处理(检测、定位、识别、分类和跟踪等)。光流法是移动目标检测技术中的一类重要算法,目前的光流法易受到光线变化和背景移动带来的影响,对动态复杂背景下移动目标的检测并不十分准确。针对上述问题,本文结合帧间差分法和meanshift聚类算法以及形态学处理等操作进行优化和改进,基于Lucas–Kanade光流法的新算法无论在简单还是复杂环境下的检测效果都有较大进步,不仅缩短了执行时间,且对光线变化等噪声干扰有一定的抵抗能力。本文主要工作如下:1.为了改进传统的移动目标检测算法运算量大、时间复杂度高的问题,本文提出使用帧间减法做前期处理,来缩小待处理的图像范围,从而减少算法运算量,提高运行速度,较少时间消耗。本文通过实验数据分析对比了五种应用较多的经典帧间差分法,最终选用时间复杂度最小、检测速度最快的inter-frame difference method对待检测数据进行前期处理,并结合MATLAB中的图像算法初步检测图像中面积较小的图形噪音,然后,根据处理好的二值图对原图像进行切割,获取连续两帧移动目标轮廓图,使得计算量大大降低。2.为了进一步减少噪音,提高检测精确性,本文在主要算法Lucas–Kanade光流法中应用MATLAB算法函数、median filtering、canny算子等对算法结果进一步优化,减少背景噪音点,提高检测正确率。1)通过删除小目标函数进行形态学处理,删除背景噪音,2)通过中值滤波操作,对检测区域进行平滑处理,3)通过canny算子对所得图形中包含“前景”的区域的轮廓边界进行计算处理。3.为了解决背景移动对Moving target detection干扰的问题,本文采用机器学习中的mean shift聚类算法,将过滤后特征点矢量相似的分为一类,计算各类的中心点,再选取包含点数最多的类中心点,将其视为背景点,将类似的点从矢量图中剔除,并对输入得到的image特征点序列进行有效地筛选和过滤,减少算法的计算量和运行时间。4.本文实现了多种基于Background modeling的改进算法,这些改进算法分别与本文改进算法进行了运行时间和检测正确率的对照比较。多组实验结果显示,本文改进算法在保证运行速度的前提下,实现了更好的移动目标检测和定位。