论文摘要
随着计算机智能处理能力不断提升,视频图像序列的动态目标检测,越来越受到关注。目前在国内外计算机视觉领域中,动态目标检测已成为一个非常热门的研究课题,并广泛应用于智能监控、交通检测、自动导航等领域。论文归纳了当前常用的动态目标检测思路,分析了动态目标检测的过程,涵盖了前景动态目标提取、背景获取和更新、阴影去除等重要领域。在前景动态目标提取方面,本文首先分析了当前视频检测领域非常热门的三种方法：光流法、帧间差分法、背景差分法,并通过仿真实验对它们的优势、弊端以及适用的场景进行了详细剖析。在背景的获取和更新策略方面,本文首先研究了目前较为常用的方法,包括统计平均法、中值滤波法、单高斯模型法、混合高斯模型法等,通过仿真实验比较分析了各种方法的特点。针对KGMM (K均值聚类法在线初始化混合高斯模型)在时间开销、空间开销、准确率等方面存在的缺陷,提出了基于KGMM改进的检测方法,主要工作如下：1.采用含方差的C均值聚类法来在线初始化混合高斯模型,有效解决了可能出现的某一像素值属于不同分布类从而概率不同的问题；2.调整高斯匹配准则,减少了匹配错误率,提高了目标检测算法的准确性；3.采取每隔一个像素点建立混合高斯分布,减少了高斯模型的个数,节省了存储空间,提高了算法的运行速度。实验结果表明改进的KGMM检测算法检测效果更理想。在阴影消除方面,本文做了如下工作：1.针对阴影C1C2C3空间的彩色不变性检测法时间开销大的缺陷,提出了改进的D1D2D3模型阴影消除法,减少了算法的运行时间；2.针对阴影LBP纹理不变性检测法在图像纹理不明显时所存在的误检现象,提出了改进的LPTD算子,提高了算法的准确率；3.针对上述两种改进方法的特点,将它们进行有效融合,进一步提出了一种阴影消除新算法。该算法采用SUSAN算子去除阴影强边缘,有效减少了强光给阴影检测带来的误差,再通过形态学处理,抑制了图像内部孔洞和噪声。实验结果表明,新算法达到了较为理想的阴影去除效果,使检测提取的目标更为真实完整。