目标检测系统中背景建模算法研究及DSP实现

单位代码：10293密级：硕士学位论文论文题目：目标检测系统中背景建模算法研究及DSP实现Y001090716胡佳婧胡栋教授信号与信息处理图像处理与多媒体通信工学硕士二零一二年三月学号姓名导师学科专业研究方向申请学位类别论文提交日期南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。南京邮电大学学位论文使用授权声明南京邮电大学、中国科学技术信息研究所、国家图书馆有权保留本人所送交学位论文的复印件和电子文档，可以采用影印、缩印或其它复制手段保存论文。本文电子文档的内容和纸质论文的内容相一致。除在保密期内的保密论文外，允许论文被查阅和借阅，可以公布（包括刊登）论文的全部或部分内容。论文的公布（包括刊登）授权南京邮电大学研究生院（筹）办理。研究生签名：_____________日期：____________研究生签名：____________导师签名：____________日期：_____________南京邮电大学硕士学位论文摘要学科、专业：工学、信号与信息处理研究方向：图像处理与多媒体通信作者：2009级研究生胡佳婧指导老师：胡栋教授题目：目标检测系统中背景建模算法研究及DSP实现英文题目：TheStudyoftheBackgroundModelingAlgorithmforObjectDetectionandImplementationbasedonDSPtechnique主题词：运动目标检测；非参数核密度估计；聚类；图像差分；DM642Keywords：movingtargetdetection；non-parametrickerneldensityestimation；clustering；differenceimage；DM642基金支持本硕士研究论文受江苏省高校自然科学重大基础研究项目——“智能监控中的多摄像机协同关键技术”(项目编号:10KJA510036)资助。南京邮电大学硕士研究生论文摘要I摘要在很多计算机视觉和数字图像处理的应用中，从视频序列中提取出运动目标都是一项基础而关键的任务。而运动目标检测融合了模式识别、数学和计算机科学等许多领域的先进技术，已经在视频监控、智能运输和行为分析等领域得到了广泛应用。随着数字信号处理设备的高速发展，人们对实时视频目标检测设备的需求日益提高。本文主要研究了基于背景建模的前景检测问题，并且探讨了在DM642数字信号处理器上的算法实现。非参数核密度模型是现在昀常用的背景模型之一，其能快速的适应动态场景的变化，对运动的目标更为敏感。然而该模型算法复杂度大，对硬件存储量要求较高，很难用于实时系统。针对非参数核模型的关键技术，本文主要研究内容和创新点如下：（1）深入研究了非参数核模型，其根据像素的一组历史采样值估计像素的概率模型。然而，原始采样集中包含着很多冗余信息和噪声点，导致了大量的重复计算和估计误差。针对这一问题，本文提出了一种基于聚类的非参数核背景模型。原始采样集通过聚类，生成包含背景模型昀重要、频率昀高特征的小样本子集。不同颜色分量的核带宽被用于区分小样本集中不同的特征样本。另外，模型使用了色度坐标来抑制阴影。实验证明，本文提出的背景建模方法能有效的检测出运动目标并降低在目标检测时的计算量和存储要求。（2）使用了自适应图像差分的预处理技术来减少需进行非参数核估计的像素数。本文研究了昀小平方中值（LMedS）算法的原理，来计算差分图像的噪声方差。从而得到时间背景差分的自适应阈值。实验表明，大量因图像噪声导致颜色分量变化的背景像素被滤除了，为后续的处理降低了计算量。（3）将本文所述算法移植到了基于TMS320DM642的硬件开发平台上。并通过使用指数运算展开、循环展开等优化方法对代码进行优化以加快系统的运行速度。实验表明，该系统在实验室环境中有很好的性能。文章的昀后给出了全文的总结，并结合现有目标检测算法的研究状况，对未来的研究方向作了进一步工作展望。关键词：运动目标检测；非参数核密度估计；聚类；图像差分；DM642南京邮电大学硕士研究生论文AbstractIAbstractMovingtargetdetectioninavideosequenceisoneofthemostfundamentalandcriticaltasksinnumerousapplicationsofcomputervisionanddigitalimageprocessing.Combingmanyadvancedtechnologiessuchaspatternrecognition,mathematicsandcomputerscience,Movingtargetdetectionhasbeenwidelyusedinvideosurveillance,intelligenttransportationandbehavioranalysis.Alongwiththerapiddevelopmentofdigitalsignalprocessingdevices,therequirementforreal-timevideoobjectdetectionequipmentisever-increasing.ThisthesisfocusesonthebackgroundmodelingforforegroundobjectdetectionandstudiesthealgorithmimplementationbasedonDM642technique．Thenon-parametricmodelisoneofthemostpopularmethodsforbackgroundmodelingatpresent.Itcanadapttochangesquicklyindynamicenvironmentwhichenablesverysensitivedetectionofmovingtargets.However,itisusuallytoocostlytoperformforthemethodinrealtime,sinceitisbothmemoryandcomputationallyinefficient.Basedonthekeytechnologyinnon-parametricmodel,themaincontributionsandinnovationpointsareasfollows:(1)Thenon-parametricmethodisresearched,whichestimatestheprobabilitymodelofobservingpixelbasedonhistorysamplesofthepixel.However,thisrawsamplesetcontainsmanyredundantinformationandnoisepoint,whichcausedlargeamountofrepetitionandestimateerror.Tosolvetheshortage,amethodofclusteringnon-parametricmodelisproposed.Therawsamplesareclusteredtogenerateasmallsubsetofthemostsignificantandfrequentfeaturesforeachpixel.Thekernelbandwidthofcolorcomponentisusedtoseparateeachfeaturesampleinthesubset.Inaddition,thechromaticitycoordinatesisusedtoeliminatetheshadow.Experimentalresultsshowthattheproposedbackgroundmodelingmethodcaneffectivelydetectmovingobjectandgreatlyreducescalculationandmemoryrequirement.(2)Theadaptiveimagedifferencingisusedaspreprocessingtoreducethenumberofpixelsneededtobenon-parametricestimated.Theleastmedianofsquares(LMedS)methodisstudiedtocalculatethenoisevarianceinthedifferencingimage,throughwhichobtainedtheadaptivethresholdforbackgroundandtemporaldifferencing.Experimentalresultsshowthattheminorvariationsofcolorscausedbyimagingnoisearefilteredouttosavethecomputation.(3)TheproposedalgorithmistransplantedtoTMS320DM642-basedhardwaredevelopmentplatform.Throughusingoftheoptimizationmethod,suchasexponentiationexpansion,cycleexpansionandsoon,tooptimizethecodeinordertospeedupthepace.Experimentalresultsshowthattheobjectdetectionsystemperformswellinlaboratoryenvironment.Finally,thesummaryofthisthesisismade,andfuturedirectiononthemovingtargetdetectionisdiscussedaswellbasedontheworkofthisstudy.KeyWords:movingtargetdetection;non-parametrickerneldensityestimation;clustering;differenceimage;DM642南京邮电大学硕士研究生学位论文目录II目录摘要..........................................................................................................................................................IAbstract.........................................................................................................................................................I目录............................................................................................................................................................II第一章绪论.......................................................................