基于形狀識別的運動物體檢測.pdf

1、運動檢測作為視頻監(jiān)控的一個基礎(chǔ)，經(jīng)過幾十年的發(fā)展，主要有三種方法，即幀間差分法、背景減除法和光流法。幀間差分法法適用于背景動態(tài)變化的場景，其缺點往往只能提取部分的運動物體，并不能檢測完整的運動區(qū)域。背景減除雖然能夠得到完整的運動區(qū)域，但是其往往容易受到光照變化、復(fù)雜的運動對象（樹葉等）而產(chǎn)生誤檢測，往往需要對該算法的背景模型進行改進，如單高斯模型、混合高斯模型、隱馬爾科夫模型等。光流法能夠很好的檢測運動對象，但是其計算復(fù)雜性往往比前兩者

2、更高，不適用于計算性能有限的平臺。H.264視頻編碼標(biāo)準(zhǔn)是幾十年提出來的編碼標(biāo)準(zhǔn)，在各行各業(yè)已經(jīng)得到廣泛應(yīng)用，與之前的編碼標(biāo)準(zhǔn)相比有很多的優(yōu)點，其中用運動矢量表示宏塊在前后幀的運動方向，雖然不能完全反應(yīng)物體的運動。但是這為視頻運動檢測提供了方便，而運動檢測是視頻監(jiān)控的基礎(chǔ)。圖像處理中，描述二維形狀的方法很多，例如簡單標(biāo)量（歐拉數(shù)、伸長度、凹凸性等），另外還有常用的矩不變量、ShapeContext等。
　　本文使用矩不變量描述形狀

3、，其計算過程相對于ShapeContext簡單，但是不如ShapeContext更能描述形狀之間的相似性。馬爾科夫隨機場（MRF）以條件概率的形式來描述圖像數(shù)據(jù)，Hammersley和Clifford于1971年證明了MRF和Gibbs分布的等價性。目前MRF已經(jīng)得到廣泛應(yīng)用，特別是其在圖像分割方面的應(yīng)用。本文主要面向H.264編碼的視頻進行運動檢測。首先從視頻碼流中獲取運動矢量，將獲得的運動矢量建立MRF運動分割模型，求解該模型時，本