欢迎来到天天文库
浏览记录
ID:3909360
大小:264.89 KB
页数:3页
时间:2017-11-25
《基于背景建模的动态场景目标检测》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
1、第34卷第24期计算机工程2008年12月、,
2、01.34No.24ComputerEngineeringDecember2008·人工智能及识别技术·文章编号:l0o0—_3428(20o8)24—203--o3文献标识码:A中图分类号:TP391.4基于背景建模的动态场景目标检测周箴毅,胡福乔(上海交通大学自动化系模式识别所,上海200240)摘要:背景建模一直是运动目标检测中的一个重要课题。该文提出一个适用于动态背景的基于非参数估计的前景背景对比模型。模型通过核函数估计的方法模拟了像素点五维特征向量(彩色灰度值,图像坐标)的概率分布,并在图像序列中滚动更新。对于每
3、一个新入帧通过马尔可夫随机场最大后验概率判决框架将前景背景全局分割问题转化为最大流最小切求解。实验证明,上述算法能够在一般目标检测,特别是动态场景(摇动树枝等)的检测中取得较好的效果。关健诃:目标检测;核函数估计;最大后验概率一马尔可夫随机场模型objectDetectioninN0nstati0naryScenesBasedonBackgroundModelingZHOUZhen-yi,HUFu-qiao(InstituteofPatternRecognition,ShanghaiJiaotongUniversity,Shanghai200240)[Abstract]
4、Backgroundmodelingisanimportantissueinaccuratedetectionofmovingobjects.Thispaperpresentsflnovelnon—parametricforeground—backgroundmodelwhichexploresthecomplextemporalandspatialdependenciesinnonstationaryscenes.Themodelestimatestheprobabilityofobservingpixels’five-dimensioned~atumvectorwh
5、ichrepresentsitsintensityvaluesandspatialpositioninformation.Themodelisbuiltandrolling—updatedbykerneldensityestimation.AndaMaximumAPosteriori—MarkovRandomField(MAP—MRF)decisionframeworkisusedtosegmenttheforegroundandbackgroundbysolvingagraph—cut.Extensiveexperimentswithnonstationaryscen
6、esdemonstratetheutilityandperformanceoftheproposedapproach.[Keywords]objectdetection;kerneldensityestimation;MaximumAPosteriori—MarkovRandomField(MAP—MRF)l概述法中,较为有效的有Oliver等人提出的基于特征空间分解在一般的视频监控系统中都使用固定的摄像头对目标区的目标检测算法,该算法对光线的变化鲁棒。另外Zhong与域进行监视。在机器视觉中,摄像头的固定的假设使得目标Sclarof提出了基于自回归移动平均(Autor
7、egressiveMoving检测可以在建立静态背景模型的基础上进行。但是在现实场Average,ARMA)模型来预测状态变化的算法。景中,不论室内室外,静态背景的假设都有可能被破坏。动本文提出的算法主要有3个特点:(1)考虑了图像空问域态背景的例子包括一些周期性运动,如吊扇的转动、钟摆、上的内在关联性。这种空间域上的关联性使模型在摄像机抖自动扶梯等这些都不是笔者感兴趣的目标,所以被归为背景动、动态纹理等场景中更贴近自然。(2)同时建立背景模型和一类更为合理。而室外自然场景中的一些动态纹理,如喷泉、前景模型,前景模型的意义在后文模型建立中有所描述。摇曳的树叶、水波等也会
8、干扰静态背景的目标检测。此外摄(3)由马尔可夫场最大后验概率做全局分割,强调了空间上的像机也可能由于各种原因发生轻微的抖动,基于上述种种原关联性,从而得到更完整的分割图像。因,本文提出了一种能够在动态背景中鲁棒地进行目标检测2基于马尔可夫随机场的图像关联性描述的算法。时间序列中的目标检测实际上也可以看作是对每一帧图在当前运用背景建模进行目标检测的工作中,大致可分像做前景和背景二值分割的问题。传统的混合高斯模型针对为2大类:一类是针对每个独立像素的特征信息建模;另一每一个像素位置的灰度值,建立一个时间域上的背景概率分类是根据区域信息建立区域
此文档下载收益归作者所有