視頻圖像運動目標(biāo)檢測技術(shù)

《信息科學(xué)技術(shù)學(xué)術(shù)著作叢書》序 前言 第1章緒論 1.1智能視頻監(jiān)控技術(shù) 1.2運動目標(biāo)檢測技術(shù) 1.2.1靜態(tài)背景下的運動目標(biāo)檢測技術(shù) 1.2.2動態(tài)背景下的運動目標(biāo)檢測技術(shù) 1.2.3運動陰影消除技術(shù) 1.3本書內(nèi)容安排 參考文獻 第2章采用改進混合高斯模型的運動目標(biāo)檢測 2.1引言 2.2混合高斯模型原理 2.3混合高斯背景模型的性能提升 2.3.1基于偏差均值的匹配判斷 2.3.2基于非線性學(xué)習(xí)速率的權(quán)重更新 2.3.3低權(quán)重模型的移除 2.3.4模型等權(quán)值初始化方法 2.3.5實驗結(jié)果及分析 2.4基于隸屬度競爭的空間混合高斯模型 2.4.1隸屬度的計算 2.4.2前景檢測 2.4.3模型更新 2.4.4實驗結(jié)果及分析 參考文獻 第3章基于隨機碼本的運動目標(biāo)檢測 3.1引言 3.2碼本背景模型原理 3.2.1碼本結(jié)構(gòu)定義 3.2.2碼字匹配 3.2.3碼本訓(xùn)練 3.2.4前景檢測 3.2.5模型更新 3.2.6碼本模型不足 3.3視覺背景提取模型原理 3.4基于隨機碼本的運動目標(biāo)檢測 3.4.1基于YUV空間的碼本模型 3.4.2基于空間鄰域像素點的碼本訓(xùn)練 3.4.3基于隨機思想的碼本更新 3.5實驗結(jié)果及分析 3.5.1“鬼影”抑制實驗 3.5.2綜合性能對比實驗 參考文獻 第4章采用多組單應(yīng)約束的運動目標(biāo)檢測 4.1引言 4.2基于多組單應(yīng)約束的前背景軌跡分離 4.2.1鄰近幀背景運動的單應(yīng)模型 4.2.2前背景軌跡分離方法 4.3基于馬爾可夫隨機場的前背景像素標(biāo)記 4.3.1能量函數(shù)的構(gòu)造 4.3.2懲罰函數(shù)的設(shè)計 4.4實驗結(jié)果及分析 4.4.1軌跡分離實驗 4.4.2像素標(biāo)記實驗 參考文獻 第5章基于多特征融合和直方圖反投影的運動陰影去除 5.1引言 5.2陰影產(chǎn)生機理及其光照模型 5.2.1陰影產(chǎn)生機理 5.2.2光照模型 5.3陰影檢測常用特征和多特征融合 5.3.1陰影檢測常用特征 5.3.2陰影檢測常用特征對比 5.3.3多特征融合方式 5.4基于多特征融合和直方圖反投影的陰影檢測 5.4.1運動陰影初選 5.4.2多特征聯(lián)合直方圖 5.4.3直方圖反投影 5.4.4自適應(yīng)閾值分割 5.5實驗結(jié)果及分析 5.5.1評價指標(biāo)與測試數(shù)據(jù)集 5.5.2實驗結(jié)果 參考文獻 第6章基于全局紋理和統(tǒng)計推斷的運動陰影去除 6.1引言 6.2基于YUV分量變化比率的陰影檢測 6.2.1基于YUV色彩空間的陰影檢測模型 6.2.2陰影檢測模型的可行性分析 6.3陰影檢測閾值的自適應(yīng)估計 6.3.1抽樣樣本及其推斷 6.3.2全局邊緣紋理構(gòu)造 6.3.3基于抽樣推斷的閾值區(qū)間估計 6.4實驗結(jié)果及分析 6.4.1不同邊緣檢測算子對閾值估計的影響 6.4.2手動閾值與估計閾值的對比 6.4.3陰影檢測性能對比 參考文獻 第7章采用GPU并行加速的運動目標(biāo)檢測與陰影去除 7.1引言 7.2CUDA并行計算架構(gòu) 7.2.1CUDA編程模型 7.2.2多處理器結(jié)構(gòu)及內(nèi)部資源 7.2.3多級存儲器模型 7.2.4CUDA程序性能優(yōu)化策略 7.3參數(shù)自整定的并行粒度劃分算法 7.3.1不同硬件之間的資源和性能差異 7.3.2并行粒度劃分參數(shù)對計算性能的影響 7.3.3并行粒度劃分參數(shù)自整定 7.3.4圖像畸變校正的并行加速實驗 7.4隨機碼本模型和陰影檢測算法的GPU加速實驗 7.4.1隨機碼本模型的GPU加速 7.4.2陰影檢測算法的GPU加速 參考文獻