视频中前景提取技术的探究

上海交通大学硕论文视频中前景提取技术的研究 1110329039名称：控制理论与控制工程 上海交通大学电子信息与电气工程学院2013 年12 DissertationSubmitted ShanghaiJiao Tong University MasterDegree EngineeringResearch ForegroundDetection VideosMaster Candidate: Limin Zhu Student ID: 1110329030 Major: Control Theory ControlEngineering Supervisor: Xing He School Electronic,Information ElectricalEngineering Shanghai Jiao Tong University December 2013 万方数据 万方数据 万方数据 上海交通大学硕论文 摘要 在计算机视觉领域当中，前景目标评估是一个非常重要的分支。其测试的确切与否对于以后无论是跟踪，学习，识别来说有着非常大的影响。前 景目标在运动过程中，其外形、所处环境、遮挡等原因都会帮目标的测试 结果带来诸多影响。

一般来说，对于前景目标的测试可以分为两大分支： 固定下跟移动下的前景检测。 在固定摄像过程中，视频中的背景通常较为稳定，本身也不存在 移动或存在很少的移动，因此对背景模型非常简洁。一般来说固定摄像的 前景评估技术可以分为两类：参数建模和非参数模型。参数模型引入概率 模型来进行像素点的分类，非参数模型则运用样本直接进行像素点的分类。 在移动摄像过程中，由于的不断移动，因此很难对背景进行稳固 的模型，一般采取运动补偿，轨迹分类等方式结合固定摄像中的科技方式 来进行前景提取。 本文首先针对近些年来的形势技术进行归纳和小结，之后的研究内容包 括以下两个方面： 对于固定摄像，本文着重研究了这几年兴起的VIBE算法，在研究分 万方数据 上海交通大学硕论文 摘要 II 析这些算法后来提出了一种改进的 VIBE 算法。该算法舍弃了原本的 RGB 图像信息，采取了HSV 信息以及对于视频中因往复运动造成的噪 声现象提出了一种新的算法，降低了视频中运动目标评估的误判率。 对于移动摄像本文并强调了一种基于光流的前景评估算法，并且采取了MRF-MAP 和超像素两种方式对其进行结果提升，从而推动了对移动 拍摄的视频中运动目标的准确测量，该办法不需要知道 的移动方向，也不需要对其移动轨迹进行模型，因此是一种无先验知 识的分类。

关键词： 前景提取，固定摄像，移动摄像，超像素，光流，马尔科夫随机 万方数据上海交通大学硕论文 ABSTRACT III Study foregrounddetection videosABSTRACT Foreground detection veryimportant branch computervision theory. foregrounddetection has largeimpact itsdownstream process, objecttracking, learning foregrounddetection manyfactors videos,some foregroundobject, occlusion.Generally speaking, foregrounddetection techniques twocategories, detection under stationarycamera movingcamera. When stationarycamera, camerahas little nonemovement itself. stationarycameras oftendivided two:parametric models non-parametermodels, while parametric models categorize pixels according staticmodels non-parametermodels use pixel samples directly categorization.When movingcamera, becomesvery difficult 万方数据上海交通大学硕论文 ABSTRACT IV model background.Ego-motion trajectorycategorization combined traditionaltechniques stationarycameras oftenused under situationOur paper first concludes overalltechniques regarding foreground detection recentyears followingissues: Regardingstationary cameras, improvedViBe approach putforward, which uses HSV information instead RGBinformation modelincreases accuracyrate showsrobustness Regardingmoving cameras, newapproach based opticalflows putforward combined superpixels achieveaccurate foreground detection cameramovement requirepre knowledge objecttrajectories. Keywords: foreground detection, stationary camera, moving camera, superpixel, optical flow, MRF-MAP 万方数据 上海交通大学硕论文 目录 III第一章 绪论 1.1课题背景和意义 1.2研究状况 1.3本文的研究内容 第二章固定下的前景提取 2.1引言 2.2基于HSV 的ViBe 算法................................................................................................................. 2.2.1HSV 特征空间分析 2.2.2模型构造 122.2.3 模型初始化 132.2.4 模型升级 142.2.5 模型预测 182.3 改进的HSV-ViBe 模型 222.3.1 模型构造 222.3.2 模型初始化和升级 232.4 实验结果和预测 242.5 本章小结 26第三章 移动下的前景提取 273.1 引言 273.2 283.3 光流在前景提取中的利用 343.3.1 背景像素点样本的选取 353.3.2 光流矢量的分类与特性点选取 353.3.3 实验结果与预测 413.4 基于超像素的前景提取 453.4.1 超像素模型 453.4.2 分割算法及前景提取 473.4.3 实验结果及预测 483.5 基于MRF-MAP 的前景提取 523.5.1 建立MRF 模型................................................................................................................... 52 万方数据 上海交通大学硕论文 目录 VI 3.5.2 基于MRF-MAP 模型的前景提取 553.4.3 实验结果与预测 573.6 本章小结 59第四章 总结与展望 604.1 总结 604.2 进一步研究展望 62致谢 67发表论文 68万方数据 上海交通大学硕论文 第一章 绪论 第一章绪论 1.1 课题背景跟意义 人们对于外在世界更直观的体会途径就是通过视觉来进行认知。

我们在平时生活中， 每天都可获取大量的信息，而视觉信息则占 65%以上。视觉不仅仅包括了信息获得这 一步，更重要的是针对信息的处理跟理解。随着信息处理技术的发生于发展，人们对图 像，视频进行了数字编码的转换，并且对其做了长期处理，这就渐渐产生了计算机视觉 与方式识别。 在现在这个信息膨胀的时代，我们可以随时从各类网络，手机，通讯设备里获取大 量的视频信息。由于数据更加庞大，因此对其进行智能处理的意愿就显得日益明显。在 视频处理中，前景评估是其首要的任务，这除了可以大大减少计算机在随后视觉处理时 的计算负载，同时也对视频监控等实际存在的难题有着至关重要的帮助。 前景检测指的是在视频以及图像当中，以一定的科技以及形式将他们感兴趣的区域 提取下来，或者是将运动的目标定位。前景评估之所以经常遭到他们的广泛关注，究其 根本，原因主要是其在民用、军事等各领域都有着非常重要的应用，并且从技术层面来 说，它还是计算机视觉处理中追踪，定位，运动预测识别等科技的基础。 在交通平台中，前景评估一般被用在汽车测试，行人行为分析等方面。在将来的自 动驾驶技术中，前景检测也会大放异彩。其驾驶的安全性很大程度上依赖于形势目标检 测的精确与否。

在民事安全中，前景评估则被广泛采用在了诸多公众场合，与家庭住所的监控中， 以此来确保社会稳定与他们的人生安全。通过精确的前景评估，可以在各类复杂画面中， 有效的排除环境针对运动目标的妨碍，并且排除其它的譬如遮挡，敏感差异等原因，获 得精确并清晰的形势目标区域。通过这种的科技就可以手动测试到爆炸物品跟装备等对 公正生命财产有威胁的物品并提前对其进行处理。尤其是在地铁出入口，可以很好的侦 万方数据 上海交通大学硕论文 第一章 绪论 查到来往行人中有无恐怖分子或者其它也许对别人产生伤害的原因。在军事方面，前景评估则主要展目前定位，追踪等方面。通过对地方军事目标的定 位，可以对其进行有效的遏制与建立作战思路。同样在制导中，前景检测还有着很重要 的辅助作用。 由于视频在拍摄之后的条件与环境不同，可能造成两种状况，一种是固定下 拍摄的视频而此外一种则是移动下拍摄的视频。在处理这两类视频时，往往采取 的是完全不同的前景提取技术，而因为移动拍摄设施的日益普及，移面下的前景提 取在视频处理中的地位逐渐明显。 1.2 研究状况 对于形势提取来说，它的利用非常广泛，比如在[1]视频监控视频前景提取，[2,3]光流运动捕捉和 [4,5]多媒体中，都必须首先对形势进行模型以后再进行目标评估。

获取背景的一种方法 就是在视频中将前景全部剔除掉才能取得一副不包括形势的画面图，但是在一些复杂场 景中，这个方式是非常困难的。因为背景中的阴影，光照，新物体的发生跟消失都会对 背景的获得带来巨大的困难。在过去，人们终于提出了这些相关的科技来缓解这种问题 [6,7]，这些方式可以分类为： 基本的背景模型：这一类的背景建模通常是借助平均值[8]，中间值[9]，或者是梯度分析来[10]进行模型的。 固定背景模型：这一类中，有借助单个高斯模型进行模型的[11]，或通过核密度变量[12]来进行建模的。根据模型中的参数可以推断像素点能否属于背景还是前景。 模糊背景模型：背景通过模糊均值[13]或者高斯的模糊混合模型进行建模[14]。前景提取则借助Sugeno 积分[15]或者Choquet 积分[16]来进行的，或者借助模糊推断 [17]来进行形势的判定。 背景聚类：这一类技巧是基于下列假设，即图像中每个像素都可以在某一时刻通过一个聚类进行表征。下一帧中出现的像素点则可以借助现有的降维进行判断，并且 通过与其最为匹配的聚类进行分类。这一类中，最经典的方式有 K-mean 算法[18] 万方数据 上海交通大学硕论文 第一章 绪论 神经网络背景建模：通过对N帧不带有前景的图像进行训练，得到一个权重不同的 神经网络来代表当前的背景模型。

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/bofangqi/article-140836-1.html