1、基于視頻的動(dòng)態(tài)場(chǎng)景下的目標(biāo)檢測(cè)是計(jì)算機(jī)視覺(jué)和模式識(shí)別在人工智能領(lǐng)域的重要應(yīng)用之一，在機(jī)器人導(dǎo)航、汽車(chē)安全輔助駕駛系統(tǒng)等應(yīng)用領(lǐng)域有著深遠(yuǎn)的意義。
　　與傳統(tǒng)的靜態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)不同的是，動(dòng)態(tài)環(huán)境下運(yùn)動(dòng)前景和背景都存在運(yùn)動(dòng)，因此單純的依靠運(yùn)動(dòng)存在與否作為判別標(biāo)準(zhǔn)的背景差法和幀差法都無(wú)法直接應(yīng)用于動(dòng)態(tài)場(chǎng)景下的運(yùn)動(dòng)目標(biāo)檢測(cè)。本文對(duì)基于視頻的動(dòng)態(tài)場(chǎng)景下的目標(biāo)檢測(cè)問(wèn)題進(jìn)行了研究，并提出了基于特征點(diǎn)運(yùn)動(dòng)矢量估計(jì)的運(yùn)動(dòng)前景檢測(cè)方法，其主要內(nèi)

2、容有以下幾個(gè)方面:
　　將SIFT算法應(yīng)用于動(dòng)態(tài)場(chǎng)景下的特征點(diǎn)檢測(cè)，并利用SIFT算法在光照變化、尺度變換、噪聲、遮擋等方面匹配效果的魯棒性，進(jìn)行穩(wěn)定的特征點(diǎn)匹配，為特征點(diǎn)的運(yùn)動(dòng)矢量估計(jì)提供數(shù)據(jù)基礎(chǔ)。
　　在特征點(diǎn)分類(lèi)方面，提出了基于特征點(diǎn)匹配關(guān)系的目標(biāo)運(yùn)動(dòng)矢量估計(jì)方法，并在此基礎(chǔ)上提出了基于運(yùn)動(dòng)矢量的特征點(diǎn)分類(lèi)算法。該方法通過(guò)對(duì)特征點(diǎn)運(yùn)動(dòng)矢量的聚類(lèi)性質(zhì)進(jìn)行分析，可以自動(dòng)獲取前景與背景的粗分類(lèi)結(jié)果。此后，通過(guò)對(duì)噪聲特征點(diǎn)、誤

3、匹配特征點(diǎn)以及誤分類(lèi)特征點(diǎn)的去除，獲得前景特征點(diǎn)與背景特征點(diǎn)的準(zhǔn)確分類(lèi)結(jié)果。
　　在運(yùn)動(dòng)目標(biāo)檢測(cè)方面，本文根據(jù)背景上特征點(diǎn)的運(yùn)動(dòng)矢量，以非線性插值的方式建立背景模型，將相鄰采樣幀之間的動(dòng)態(tài)背景轉(zhuǎn)化為靜態(tài)背景;通過(guò)幀間差分法找到運(yùn)動(dòng)目標(biāo)的大致區(qū)域作為GVF Snake模型收斂的初始輪廓;通過(guò)GVF Snake模型找出運(yùn)動(dòng)目標(biāo)的大致輪廓，并以這個(gè)大致輪廓為區(qū)域生長(zhǎng)的停止條件，將前景上的特征點(diǎn)作為種子點(diǎn)，采用多個(gè)種子點(diǎn)并行的區(qū)域生長(zhǎng)方式