信號與信息處理專業(yè)畢業(yè)論文 [精品論文] 視頻序列中運(yùn)動(dòng)目標(biāo)檢測技術(shù)研究

1、信號與信息處理專業(yè)畢業(yè)論文信號與信息處理專業(yè)畢業(yè)論文[精品論文精品論文]視頻序列中運(yùn)動(dòng)目標(biāo)視頻序列中運(yùn)動(dòng)目標(biāo)檢測技術(shù)研究檢測技術(shù)研究關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測關(guān)鍵詞：運(yùn)動(dòng)目標(biāo)檢測計(jì)算機(jī)視覺計(jì)算機(jī)視覺三角形菱形搜索算法三角形菱形搜索算法摘要：運(yùn)動(dòng)目標(biāo)檢測作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要分支與基礎(chǔ)，在軍事、交通、工業(yè)以及生物醫(yī)學(xué)等領(lǐng)域具有廣泛的應(yīng)用前景，一直受到廣泛的關(guān)注，并成為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)研究熱點(diǎn)。但是由于運(yùn)動(dòng)目標(biāo)檢測問題本身的復(fù)雜性，運(yùn)動(dòng)

2、目標(biāo)的檢測依然面臨著諸多挑戰(zhàn)。本文在現(xiàn)有研究成果的基礎(chǔ)上，對靜態(tài)與動(dòng)態(tài)場景下的運(yùn)動(dòng)目標(biāo)檢測進(jìn)行了深入研究。對于靜態(tài)場景下的運(yùn)動(dòng)目標(biāo)檢測，本文提出了一種基于碼本的改進(jìn)型算法，并用多組室外、室內(nèi)測試視頻序列進(jìn)行了測試驗(yàn)證，測試結(jié)果表明其完全能滿足應(yīng)用需求。其中的主要工作及創(chuàng)新包括以下幾個(gè)方面：(1)基于新的顏色模型，提出了新的高亮與陰影判決準(zhǔn)則；(2)本算法中應(yīng)用了新的碼本提煉、碼本更新及自學(xué)習(xí)策略；針對動(dòng)態(tài)場景中的運(yùn)動(dòng)目標(biāo)檢測，本文采用了

3、兩種算法進(jìn)行運(yùn)動(dòng)估計(jì)與補(bǔ)償。在第一種算法中，采用了基于塊匹配的全局運(yùn)動(dòng)估計(jì)算法，該算法中采用特征塊選擇模板、Canny邊緣檢測、新的三角形菱形搜索算法及運(yùn)動(dòng)矢量提煉等思想，來降低算法的運(yùn)算復(fù)雜度，并確保與提高運(yùn)動(dòng)估計(jì)的精確度。但由于該算法采用了平移模型，因此僅適用于全局運(yùn)動(dòng)為平移模式的視頻序列。在第二種算法中，采用了基于特征匹配的全局運(yùn)動(dòng)估計(jì)算法。為了準(zhǔn)確估計(jì)運(yùn)動(dòng)模型的參數(shù)，采用了特征點(diǎn)選擇模板、SIFT算子、最小二乘法、特征點(diǎn)匹配對校

4、正及雙線性插值相結(jié)合的方式。由于該算法采用了六參數(shù)仿射模型，因此，可以適用于移動(dòng)、旋轉(zhuǎn)、縮放等全局運(yùn)動(dòng)模式，從而具有普適性。二種算法都采用了一組或多組室外與室內(nèi)標(biāo)準(zhǔn)視頻序列進(jìn)行測試驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，兩種算法在其各自的應(yīng)用范圍內(nèi)具有較好的魯棒性和有效性。這部分內(nèi)容包括的主要?jiǎng)?chuàng)新工作如下：(1)提出了一種提煉運(yùn)動(dòng)矢量的閾值法；(2)提出了一種新的三角形菱形搜索算法；(3)提出了一種新的特征點(diǎn)匹配對校正策略。在其各自的應(yīng)用范圍內(nèi)具有較好的魯

5、棒性和有效性。這部分內(nèi)容包括的主要?jiǎng)?chuàng)新工作如下：(1)提出了一種提煉運(yùn)動(dòng)矢量的閾值法；(2)提出了一種新的三角形菱形搜索算法；(3)提出了一種新的特征點(diǎn)匹配對校正策略。運(yùn)動(dòng)目標(biāo)檢測作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要分支與基礎(chǔ)，在軍事、交通、工業(yè)以及生物醫(yī)學(xué)等領(lǐng)域具有廣泛的應(yīng)用前景，一直受到廣泛的關(guān)注，并成為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)研究熱點(diǎn)。但是由于運(yùn)動(dòng)目標(biāo)檢測問題本身的復(fù)雜性，運(yùn)動(dòng)目標(biāo)的檢測依然面臨著諸多挑戰(zhàn)。本文在現(xiàn)有研究成果的基礎(chǔ)上，對靜態(tài)與

6、動(dòng)態(tài)場景下的運(yùn)動(dòng)目標(biāo)檢測進(jìn)行了深入研究。對于靜態(tài)場景下的運(yùn)動(dòng)目標(biāo)檢測，本文提出了一種基于碼本的改進(jìn)型算法，并用多組室外、室內(nèi)測試視頻序列進(jìn)行了測試驗(yàn)證，測試結(jié)果表明其完全能滿足應(yīng)用需求。其中的主要工作及創(chuàng)新包括以下幾個(gè)方面：(1)基于新的顏色模型，提出了新的高亮與陰影判決準(zhǔn)則；(2)本算法中應(yīng)用了新的碼本提煉、碼本更新及自學(xué)習(xí)策略；針對動(dòng)態(tài)場景中的運(yùn)動(dòng)目標(biāo)檢測，本文采用了兩種算法進(jìn)行運(yùn)動(dòng)估計(jì)與補(bǔ)償。在第一種算法中，采用了基于塊匹配的全局

7、運(yùn)動(dòng)估計(jì)算法，該算法中采用特征塊選擇模板、Canny邊緣檢測、新的三角形菱形搜索算法及運(yùn)動(dòng)矢量提煉等思想，來降低算法的運(yùn)算復(fù)雜度，并確保與提高運(yùn)動(dòng)估計(jì)的精確度。但由于該算法采用了平移模型，因此僅適用于全局運(yùn)動(dòng)為平移模式的視頻序列。在第二種算法中，采用了基于特征匹配的全局運(yùn)動(dòng)估計(jì)算法。為了準(zhǔn)確估計(jì)運(yùn)動(dòng)模型的參數(shù)，采用了特征點(diǎn)選擇模板、SIFT算子、最小二乘法、特征點(diǎn)匹配對校正及雙線性插值相結(jié)合的方式。由于該算法采用了六參數(shù)仿射模型，因此，

8、可以適用于移動(dòng)、旋轉(zhuǎn)、縮放等全局運(yùn)動(dòng)模式，從而具有普適性。二種算法都采用了一組或多組室外與室內(nèi)標(biāo)準(zhǔn)視頻序列進(jìn)行測試驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，兩種算法在其各自的應(yīng)用范圍內(nèi)具有較好的魯棒性和有效性。這部分內(nèi)容包括的主要?jiǎng)?chuàng)新工作如下：(1)提出了一種提煉運(yùn)動(dòng)矢量的閾值法；(2)提出了一種新的三角形菱形搜索算法；(3)提出了一種新的特征點(diǎn)匹配對校正策略。運(yùn)動(dòng)目標(biāo)檢測作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要分支與基礎(chǔ)，在軍事、交通、工業(yè)以及生物醫(yī)學(xué)等領(lǐng)域具有廣泛的

9、應(yīng)用前景，一直受到廣泛的關(guān)注，并成為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)研究熱點(diǎn)。但是由于運(yùn)動(dòng)目標(biāo)檢測問題本身的復(fù)雜性，運(yùn)動(dòng)目標(biāo)的檢測依然面臨著諸多挑戰(zhàn)。本文在現(xiàn)有研究成果的基礎(chǔ)上，對靜態(tài)與動(dòng)態(tài)場景下的運(yùn)動(dòng)目標(biāo)檢測進(jìn)行了深入研究。對于靜態(tài)場景下的運(yùn)動(dòng)目標(biāo)檢測，本文提出了一種基于碼本的改進(jìn)型算法，并用多組室外、室內(nèi)測試視頻序列進(jìn)行了測試驗(yàn)證，測試結(jié)果表明其完全能滿足應(yīng)用需求。其中的主要工作及創(chuàng)新包括以下幾個(gè)方面：(1)基于新的顏色模型，提出了新的高亮與陰

10、影判決準(zhǔn)則；(2)本算法中應(yīng)用了新的碼本提煉、碼本更新及自學(xué)習(xí)策略；針對動(dòng)態(tài)場景中的運(yùn)動(dòng)目標(biāo)檢測，本文采用了兩種算法進(jìn)行運(yùn)動(dòng)估計(jì)與補(bǔ)償。在第一種算法中，采用了基于塊匹配的全局運(yùn)動(dòng)估計(jì)算法，該算法中采用特征塊選擇模板、Canny邊緣檢測、新的三角形菱形搜索算法及運(yùn)動(dòng)矢量提煉等思想，來降低算法的運(yùn)算復(fù)雜度，并確保與提高運(yùn)動(dòng)估計(jì)的精確度。但由于該算法采用了平移模型，因此僅適用于全局運(yùn)動(dòng)為平移模式的視頻序列。在第二種算法中，采用了基于特征匹配的