论文部分内容阅读
随着监控摄像机性价比的迅速提升以及安全形势的迫切需要，智能视频监控系统得到了蓬勃发展。运动目标检测是智能视频监控系统各种高级处理的基础，如目标跟踪、分类与识别以及行为分析等。本文以周界视频监控目标检测为研究对象，针对快速运动目标、复杂运动背景与夜晚低照度场景提出了一系列目标检测新方法。本文研究内容与创新点如下:
1)在已有文献所列举的传统噪声源之外发现图像边缘处噪声水平远远高于图像平坦区域。应用排除法并结合实际视频数据测试，发现图像成像过程中的亚像素级颤动是上述现象的主要原因。利用上述视频噪声特性，针对视频监控系统应用特点提出了一种新型图像边缘检测方法。与传统方法利用单幅图像的空间强度差异进行边缘检测不同，该新型检测算子应用图像序列计算各像素的时域噪声，然后对每级亮度的噪声值进行聚类分析寻找图像边缘像素。
2)阈值化过程是背景差分与时域差分等目标检测算法的关键步骤，基于差分图像直方图形状特性与直方图差分特征，提出了两种新型阈值自动选择方法，并在上海世博会周界视频监控抛物检测系统中得到了实验验证。对比实验表明，本文方法在场景普适性与运行稳定性方面取得了很大进步。
3)针对传统混合高斯背景模型单模态背景方差估计值偏小、多模态运动背景退化为单模态背景表示以及视频编解码后出现大量方块状误检等缺陷，提出在参数更新过程与目标判断过程中使用差异化判决阈值，并对目标像素判决中的方差值引入上限与下限。为了过滤场景中花草树丛等动态背景，提出了自动获取图像动态区域的学习机制，对动态区域的候选目标应用填充度等新型图像特征和约束性更强的阈值参数。
4)为了加强视频监控系统在夜晚低照度条件下的应用能力，提出了一种全时段目标检测算法。夜晚图像往往信噪比与对比度低，而且容易受到车灯等外来光源干扰。本文应用局部对比度图像特征进行像素级混合高斯背景建模，有效提高了夜晚目标检测能力，其漏检率低于6％。