学位论文 > 优秀研究生学位论文题录展示

基于关键帧的核密度估计运动目标检测

作　者: 梁志刚
导　师: 卢志茂
学　校: 哈尔滨工程大学
专　业: 信号与信息处理
关键词: 运动目标检测 核密度估计 非密度估计法 特征帧创建
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 21次
引　用: 0次
阅　读: 论文下载
 

内容摘要


视频监控系统具有广阔的发展前景，它是模式识别和人工智能等方面的重要组成部分。在该领域中，运动目标检测和背景建模是当前的重要方向，运动目标检测是为了从视频序列中将运动变化的区域从背景中提取出来，以便进行后续的处理，它是进行后续的运动目标识别、跟踪的关键环节。因此高效性和准确性是目标检测与跟踪的一个研究热点。运动目标检测算法繁多，本文首先对常见的运动目标检测算法做一些介绍，包括背景减除法、帧差法、光流法。其中最常用的是背景减除法，特点是算法简单易于实现、实时性好、准确度高。从而提出比较前沿的非参数密度估计背景差分法。本文通过对比试验，归纳了它们各自的特点，从中选择了核密度估计算法作为本文的研究重点。非参数核密度估计在背景建模上受到很大关注，它能够快速适应动态场景的变化，是现今最常用的背景建模方法之一，然而该算法复杂度较高，很难满足运动目标检测的实时性要求。本文对非参数核密度估计进行了研究，它是根据各个像素的历史采样值来估计像素的概率模型。但是，原始样本值中包含着很多冗余信息和噪声信息，导致了计算复杂度高和估计容易出现错误。针对这些缺点，本文提出了一种创建关键帧的非参数核密度估计算法。我们通过创建关键帧方式来建立背景模型，同时应用此方法进行背景更新。新样本不但减小了核密度估计的计算量，提高了检测的速度，同时也降低目标检测的虚警率和误检率。综上，本文在对核密度估计运动目标检测进行研究的同时，对其中存在的问题提出了自己的解决方法，通过实验证明了改进算法的有效性和可靠性。

全文目录


摘要  5-6
ABSTRACT  6-10
第1章 绪论  10-15
  1.1 课题研究意义和背景  10-11
  1.2 国内外研究现状  11-13
  1.3 问题与挑战  13-14
  1.4 主要内容与结构安排  14-15
第2章 运动目标检测理论  15-32
  2.1 常用运动目标检测算法研究  15-19
    2.1.1 光流法  15-16
    2.1.2 帧间差分法  16-18
    2.1.3 背景减除法  18-19
  2.2 背景建模  19-25
    2.2.1 统计平均法  20-21
    2.2.2 W4 模型  21
    2.2.3 单高斯模型  21-23
    2.2.4 混合高斯模型  23-25
  2.3 非参数统计背景建模  25-31
    2.3.1 核密度估计  26-28
    2.3.2 核密度估计的渐近收敛性  28-29
    2.3.3 核函数与带宽的选择  29-31
  2.4 本章小结  31-32
第3章 结合聚类算法的核密度估计  32-46
  3.1 聚类的常用方法  32-34
    3.1.1 基于划分的算法  32
    3.1.2 基于层次的算法  32-33
    3.1.3 基于密度的算法  33-34
    3.1.4 基于网格的算法  34
  3.2 K-MEANS 算法的参数选择  34-36
    3.2.1 相似度的选择  34-35
    3.2.2 聚类结果评价  35-36
  3.3 优化初始中心的 K-MEANS 算法  36-41
    3.3.1 传统 K-means 算法的基本思想  36-37
    3.3.2 优化初始中心的 K-means 算法理论  37-41
  3.4 引入 K-MEANS 算法的运动目标检测  41-45
    3.4.1 实验结果与分析  42-44
    3.4.2 时间复杂度分析  44-45
  3.5 本章小结  45-46
第4章 快速创建关键帧算法  46-66
  4.1 核密度估计背景建模  46-50
    4.1.1 窗宽的选择  48-49
    4.1.2 目标检测  49
    4.1.3 背景更新  49-50
  4.2 核密度估计算法的改进  50-53
    4.2.1 创建关键帧  50-52
    4.2.2 实验步骤  52-53
  4.3 实验结果与分析  53-60
  4.4 基于 HSV 色彩空间的阴影去除  60-65
  4.5 本章小结  65-66
结论  66-68
参考文献  68-74
攻读硕士期间发表的论文和取得的科研成果  74-75
致谢  75

相似论文

  1. Copula-EGARCH-核密度模型研究及应用,O211.3
  2. 视频运动目标跟踪方法研究,TP391.41
  3. 基于随机优化的抽样,O212.2
  4. 基于视觉的人体行为检测识别研究,TP391.41
  5. 基于全方位视觉的多运动目标检测、跟踪与定位,TP391.41
  6. 基于鱼眼相机的运动目标检测算法的研究与实现,TP391.41
  7. 基于混合高斯的背景建模与更新算法的研究与实现,TP391.41
  8. 嵌入式多参数环境智能监测系统的设计与实现,TP274
  9. 安防监控系统中运动目标检测算法研究,TP391.41
  10. 基于图像信息的运动目标检测与跟踪算法研究,TP391.41
  11. 运动目标检测与跟踪的研究,TP391.41
  12. 动态场景下运动目标检测与跟踪算法研究,TP391.41
  13. 基于贝叶斯理论的运动目标检测算法研究,TP391.41
  14. 目标检测系统中背景建模算法研究及DSP实现,TP391.41
  15. 基于监控视频中运动目标自动检测与跟踪算法的研究与实现,TP391.41
  16. 基于视频检测技术的智能隧道交通安全监控系统,TP277
  17. 视频运动目标检测若干关键算法研究,TP391.41
  18. 智能视频监控中的目标检测与跟踪技术,TP391.41
  19. 排球视频中的运动目标检测与跟踪,TP391.41
  20. 设备维护中的增强现实技术研究,TP391.9
  21. 视频监控系统中的运动目标检测算法研究,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com