为硕博士论文。
运动目标物体检测是现今计算机视觉研究的热点问题之一。对该问题虽然研究数量众多,但一些复杂的问题,例如环境光照变化、目标物体半/全遮挡、目标物体刚性/非刚性形变等,仍然极具挑战并且严重阻碍运动目标检测效果的进一步提高。本论文主要提出了一种具有普适性,能适用于不同环境或背景下检测运动目标物体的框架。该框架以增量学习理论为基础,将模式识别理论中的多模态模型(包括经典的分类模型、新颖的聚类模型等)无缝运用在运动目标物体检测问题的求解。具体来说,本论文采用的增量学习思想主要基于视频相邻帧在空间和时间上的高度相关性;在每个测试帧的相邻帧上抽取训练数据进行模型的学习与更新。因此,随着视频的推演,模型学习的结果也在不停自动更新。为了验证本论文提出框架的有效性,超过1000帧的视频数据被用来组成本论文的实验数据库。在此数据库中,本论文通过大量的实验,验证了提出检测框架中所有方法在不同环境或复杂背景下的检测效果,并采用统计学中的方差分析和多重对比实
1