基于帧间差分的运动目标检测

摘要

运动目标检测是计算机视觉领域的基础研究之一,在军事和民用上都有着广泛的应用范围和良好的发展前景。但是由于外界环境的不稳定以及运动本身的复杂多变,运动目标检测往往会遇到很多问题。传统的检测方法各有优势,但一般都只能在一定场合和条件下才能获得较好的效果。在研究了现有算法后,本文以帧间差分法为基础,主要展开了两个方面的研究工作。
　　首先,针对动态背景,采用了基于SIFT特征匹配的摄像机运动估计方法。通过SIFT算法对视频相邻帧进行局部特征提取,获取匹配点对集合,通过特征点邻域灰度的统计信息对匹配结果进行筛选,结合六参数模型以及最小二乘法优化算法进行运动参数的计算,最后在实验中以直接帧差结果和经过运动估计后的帧差结果进行比较,证明本方法能准确地完成摄像机运动估计,有效地去除背景运动对局部运动目标检测带来的不利影响。
　　接着以运动目标检测的准确性和实时性为出发点,改进了一种基于均值漂移聚类的运动目标检测方法。本算法采用分块思想,对二值化后的差分图像提取运动区域包围盒,利用均值漂移算法对其进行聚类。结合包围盒的位置与大小,提出类内判定函数,对初始聚类结果进行再次划分,最后完成各类的融合,获取各个运动目标的完整区域。实验证明本方法能有效地完成运动目标的完整检测,聚类融合效果突出,且算法处理简单,不需在前期进行过多的预处理工作,对噪声的抗干扰能力强,具有良好的准确度与实时性。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 课题背景与研究意义

1.2 研究现状

1.3 本文工作和结构安排

第2章 运动目标检测理论基础

2.1 数字图像处理基础

2.2 运动目标检测

2.3 本章小结

第3章 基于SIFT特征的摄像机运动估计

3.1 摄像机运动模型

3.2 基于特征的运动估计方法

3.3 基于SIFT特征的摄像机运动估计

3.4 实验与结果分析

3.5 本章小结

第4章 基于Mean Shift聚类的运动目标检测

4.1 Mean Shift算法原理

4.2 算法的推导与改进

4.3 算法流程

4.4 实验及结果分析

4.5 本章小结

结论

参考文献

攻读硕士期间发表的论文和取得的研究成果

致谢