第1章 绪论 1
1.1 智能视频监控技术 1
1.2 运动目标检测技术 5
1.2.1 静态背景下的运动目标检测技术 6
1.2.2 动态背景下的运动目标检测技术 8
1.2.3 运动阴影消除技术 11
1.3 本书内容安排 12
参考文献 14
第2章 采用改进混合高斯模型的运动目标检测 19
2.1 引言 19
2.2 混合高斯模型原理 20
2.3 混合高斯背景模型的性能提升 23
2.3.1 基于偏差均值的匹配判断 23
2.3.2 基于非线性学习速率的权重更新 24
2.3.3 低权重模型的移除 25
2.3.4 模型等权值初始化方法 26
2.3.5 实验结果及分析 26
2.4 基于隶属度竞争的空间混合高斯模型 29
2.4.1 隶属度的计算 30
2.4.2 前景检测 31
2.4.3 模型更新 33
2.4.4 实验结果及分析 34
参考文献 38
第3章 基于随机码本的运动目标检测 40
3.1 引言 40
3.2 码本背景模型原理 41
3.2.1 码本结构定义 41
3.2.2 码字匹配 41
3.2.3 码本训练 43
3.2.4 前景检测 44
3.2.5 模型更新 44
3.2.6 码本模型不足 45
3.3 视觉背景提取模型原理 45
3.4 基于随机码本的运动目标检测 47
3.4.1 基于YUV空间的码本模型 48
3.4.2 基于空间邻域像素点的码本训练 48
3.4.3 基于随机思想的码本更新 50
3.5 实验结果及分析 51
3.5.1 “鬼影”抑制实验 52
3.5.2 综合性能对比实验 53
参考文献 54
第4章 采用多组单应约束的运动目标检测 56
4.1 引言 56
4.2 基于多组单应约束的前背景轨迹分离 58
4.2.1 邻近帧背景运动的单应模型 58
4.2.2 前背景轨迹分离方法 59
4.3 基于马尔可夫随机场的前背景像素标记 62
4.3.1 能量函数的构造 62
4.3.2 惩罚函数的设计 63
4.4 实验结果及分析 65
4.4.1 轨迹分离实验 66
4.4.2 像素标记实验 68
参考文献 72
第5章 基于多特征融合和直方图反投影的运动阴影去除 75
5.1 引言 75
5.2 阴影产生机理及其光照模型 76
5.2.1 阴影产生机理 76
5.2.2 光照模型 78
5.3 阴影检测常用特征和多特征融合 78
5.3.1 阴影检测常用特征 78
5.3.2 阴影检测常用特征对比 80
5.3.3 多特征融合方式 81
5.4 基于多特征融合和直方图反投影的阴影检测 82
5.4.1 运动阴影初选 83
5.4.2 多特征联合直方图 84
5.4.3 直方图反投影 86
5.4.4 自适应阈值分割 87
5.5 实验结果及分析 88
5.5.1 评价指标与测试数据集 88
5.5.2 实验结果 89
参考文献 93
第6章 基于全局纹理和统计推断的运动阴影去除 97
6.1 引言 97
6.2 基于YUV分量变化比率的阴影检测 98
6.2.1 基于YUV色彩空间的阴影检测模型 98
6.2.2 阴影检测模型的可行性分析 98
6.3 阴影检测阈值的自适应估计 100
6.3.1 抽样样本及其推断 101
6.3.2 全局边缘纹理构造 102
6.3.3 基于抽样推断的阈值区间估计 102
6.4 实验结果及分析 104
6.4.1 不同边缘检测算子对阈值估计的影响 104
6.4.2 手动阈值与估计阈值的对比 104
6.4.3 阴影检测性能对比 104
参考文献 108
第7章 采用GPU并行加速的运动目标检测与阴影去除 110
7.1 引言 110
7.2 CUDA并行计算架构 111
7.2.1 CUDA编程模型 112
7.2.2 多处理器结构及内部资源 115
7.2.3 多级存储器模型 117
7.2.4 CUDA程序性能优化策略 119
7.3 参数自整定的并行粒度划分算法 120
7.3.1 不同硬件之间的资源和性能差异 120
7.3.2 并行粒度划分参数对计算性能的影响 121
7.3.3 并行粒度划分参数自整定 122
7.3.4 图像畸变校正的并行加速实验 124
7.4 随机码本模型和阴影检测算法的GPU加速实验 125
7.4.1 随机码本模型的GPU加速 125
7.4.2 阴影检测算法的GPU加速 127
参考文献 128