《（毕业论文）-运动相机下的移动物体分割算法研究论文》由会员分享，可在线阅读，更多相关《（毕业论文）-运动相机下的移动物体分割算法研究论文（53页珍藏版）》请在金锄头文库上搜索。
1、毕业设计（论文）说明书毕业设计（论文）说明书 学学 院院 软件学院软件学院 专专 业业 软件工程软件工程 年年 级级 2007 姓姓 名名 指导教师指导教师 2011 年年 6 月月 22 日日 毕业设计（论文）任务书毕业设计（论文）任务书 题目：运动相机下的移动物体分割算法研究 学生姓名学生姓名 学院名称学院名称 软件学院软件学院 专专 业业 软件工程软件工程 学学 号号 3007218081 指导教师指导教师 职职 称称 讲师讲师 一、原始依据（包括设计或论文的工作基础、研究条件、应用 环境、工作目的等。 ） 视频中的移动目标提取与分割是视频监控以及物体跟踪等应用中用途十分 广泛的一项技术
2、。在摄像机固定的情况下，已知背景信息，当图像变化的时候， 帧间差就是变化的部分。然而，随着移动拍摄设备的应用和普及，越来越多的 视频已经打破之前相机位置固定的假设，因此没有办法通过简单的帧间差来得 到视频变化的部分。国内外很多大学和研究机构在这一难题上做出了不少探索 和贡献。卡耐基梅隆大学的舍赫教授提出运用视频追踪点轨迹矩阵的秩约束来 对运动中摄像机视频的前、背景模型进行稀疏建模，再通过该稀疏模型对整帧 图像利用图分割算法和马尔科夫链进行 0-1 标记来获得移动物体的分割的算法。 这个算法很好的解决了运动中摄像机视频中的移动目标提取的问题，而且避免 了使用耗费时间和资源的三维建模。 本次设计基
3、于舍赫教授的论文，对该算法进行实现和研究，从而能够对移 动摄像机视频下的目标提取算法和技术进行应用和开发，为相关需要视频监控 的行业和领域提供必要的理论依据和技术支持。 二、参考文献 1 Y. Sheikh, O. Javed and T. Kanade. Background subtraction for freely moving camerasA. In: Proceedings of IEEE 12th International Conference on Computer VisionC. IEEE: 2010. 1219-1225. 2 P. Sand and S. Telle
4、r. Particle Video: Long-range motion estimation using point trajectoriesJ. International Journal of Computer Vision, 2008, 80(1): 72-91. 3 G. Bradski and A. Kaehler. Learning OpenCV: Computer Vision with the OpenCV libraryM. OReilly Media, 2008. 4 W. Zhang, X. Cao, Y. Hou et al. Detecting and extrac
5、ting the photo composites using planar homography and graph cutJ. IEEE Transactions on Information Forensics and Security, 2010, 5(3): 544-555. 5 C. Zhang, X. Guo and X. Cao. Duplication Localization and SegmentationA. In: Proceedings of Pacific-Rim Conference on MultimediaC. Springer: 2010. 578- 58
6、9. 6 M. Cho, Y. Shin, and K. Lee. Unsupervised detection and segmentation of identical objectsA. In: Proceedings of IEEE Conference on Computer Vision and Pattern RecognitionC. IEEE: 2010. 16171624. 7 D. Lowe. Distinctive image features from scale-invariant keypointsJ. International Journal of Compu
7、ter Vision, 2004, 60(2): 91110. 8 C. H. Lampert, M. B. Blaschko, and T. Hofmann. Beyond sliding windows: Object localization by efficient subwindow searchA. In: Proceedings of IEEE Conference on Computer Vision and Pattern RecognitionC. IEEE: 2008. 18. 9 R. Hartley and A. Zisserman. Multiple view ge
8、ometry in computer visionM. Cambridge Univ. Press, 2004. 10C. Wren, A. Azarbayejani, T. Darrell et al. Real time tracking of the human bodyJ. IEEE TPAMI, 1997. 11D. Hochbaum and V. Singh. An efficient algorithm for cosegmentationA. In: Proceedings of IEEE International Conference on Computer VisionC
9、. IEEE: 2009. 269276. 12W. Hardle and L. Simar. Applied multivariate statistical analysisM. Springer Verlag, 2007. 13C. Bishop. Pattern recognition and machine learningM. Springer, 2006(4). 14A. Elgammal, R. Duraiswami, D. Harwood et al. Background and foreground modeling using nonparametric kernel
10、density estimation for visual surveillanceA. In: Proceedings of the IEEEC. IEEE, 2002. 15N. Friedman and S. Russell. Image segmentation in video sequences: A probabilistic approachA. In: Proceedings of Conf. Uncertainty in Artificial IntelligenceC. 2000. 16I. Haritaogolu, D. Harwood, and L. Davis. W
11、4: Real-time surveillance of people and their activitiesJ. IEEE TPAMI. 2000. 17R. Jain and H. Nagel. On the analysis of accumulative difference pictures from image sequences of real world scenesJ. IEEE TPAMI.1979. 18O. Javed, K. Shafique, and M. Shah. A hierarchical approach to robust background sub
12、traction using color and gradient informationA. In: Proceedings of IEEE Workshop on Motion and Video ComputingC. IEEE: 2002. 19Y. Sheikh and M. Shah. Bayesian object detection in dynamic scenesJ. IEEE TPAMI, 2005. 20C. Stauffer and E. Grimson. Learning patterns of activity using realtime trackingJ.
13、IEEE TPAMI. 2001. 三、设计（研究）内容和要求（包括设计或研究内容、主要指 标与技术参数，并根据课题性质对学生提出具体要求。 ） 本次毕业设计着重于视频的数据提取和分割算法的实现。视频数据提取方 面，参考桑德教授的微粒视频一文，运用光流和特征追踪相结合的方法在给定 视频中提取追踪点轨迹，再根据舍赫教授的论文讲述的算法，通过运用 RANSAC 算法对追踪点轨迹进行秩约束，实现稀疏模型的建立。通过稀疏模型， 运用马尔科夫链和图分割算法对视频帧进行 0-1 标记，最后得到目标提取和分 割结果。 数据提取方面，要注意阅读桑德教授主页关于微粒视频的说明和数据说明。 下载代码并阅读理解，认
14、清其实现原理。另外，桑德教授的主页上有充足的测 试视频和源数据，可以用来做测试和实验。 算法实现方面，需要了解和实现 RANSAC、马尔科夫链和图分割算法。数 学方面，要求阅读和理解仿射变换矩阵的秩约束原理和贝叶斯概率公式。 衡量实验效果的主要指标是分割结果的准确率和查全率，如果运用桑德教 授的数据的话，可以直接使用对应视频的基准值。 指导教师（签字） 年 月 日 审题小组组长（签字） 年 月 日 天津大学本科生毕业设计（论文）开题报告 课题名称运动相机下的移动物体分割算法研究 学院名称软件学院专业名称软件工程 学生姓名指导教师 （内容包括：课题的来源及意义，国内外发展状况，本课题的研究目标、
15、 研究内容、研究方法、研究手段和进度安排，实验方案的可行性分析和已具备 的实验条件以及主要参考文献等。 ） 1. 课题来源及意义 随着摄像技术的应用和普及，越来越多的摄像装置被应用到日常生活和生 产当中。其中视频监控和物体识别和追踪是最为热门的一个领域。但是，随着 应用的推广和普及，视频数据量的不断扩大，单纯的视频采集系统已经不能满 足日益增长的视频监控需求。对于视频的理解和分析等智能功能则占据了更为 重要的需求地位。由于数据规模的庞大和人力资源的昂贵，计算机视觉算法和 技术应运而生。模式识别与机器学习知识被广泛的应用于视频监控和物体识别 和追踪的领域。 在摄像装置拍摄的视频中，固定相机位置作
16、为长久以来的假设和技术瓶颈 正在被打破，由于背景的移动，前景移动物体的提取和分割已经不能运用于非 位置固定的相机的算法。所以，本设计希望能够实现移动摄像装置视频中提取 移动物体的算法并且研究之。 2 国内外发展状况 无论在国内还是国外，运动中相机的移动目标检测都是一个技术难题。一 般相机位置固定的情况下，背景相减的算法，即帧间差，能够很好的提取运动 目标。早在 70 年代，背景相减和运动分割算法就被提了出来，基于的假设是相 机静止。当相机位置静止这个假设被打破之后，比如手持摄像机或者搭载在交 通工具上的摄像机，由于背景相对于画面也在运动，所以单纯运用帧间差不能 提取运动的目标。 该项技术如果能够得到实现和普及，那么它将大大推动视频监控的应用范 围，比如智能汽车上的路况判断和标志牌
