这些产品引起了通过机器视觉检测移动物体方面的需求，其处理的环境变得更加复杂，所需环境适应性，易用性和鲁棒性要求也更高。其中在变化背景中检测移动目标是是其中一个较有意义的课题。本文研究内容是计算机视觉相关领域中的基础，当对物体进行准确地检测的前提下，上层应用才能获取更多有效的信息，完成复杂的功能。

1。2简介

移动物体的检测是指在图像序列中根据特定的特征从背景中定位目标。根本上是通过对摄像头等图像获取源拍摄到的视频序列进行分析，计算出目标物体在图像中的位置、大小，轮廓、运动矢量、分类等信息。

对移动物体进行鲁棒且准确的识别和分类，是一项具有挑战性的课题。传统图像传感器获得的图像实际上是三维空间至二维平面的投影，因此，目标的部分信息会有所缺失；目标的运动过程中的位移，旋转和缩放都表现出不确定的信号。除了目标信号的缺失，复杂的背景，光照变化，摄像机位移和焦距变化，遮挡等多种因素都会提高运动目标的检测难度。

在物体的检测系统中，正确的特征起着关键的作用，一个好的特征能准确地描述物体的特点，并且与背景中区分开来。物体的特征通常有颜色特征、角点特征、梯度特征、纹理特征、运动特征[1]等。物体运动，场景变化都会引起其特征的变化，除了一个准确的特征，还需要对特征优化，预测、学习等处理。为物体建立一个目标模型，是一种简单有效的方式，一般可以分为生成式模型（Generative Model），包括外观模型，形状匹配模型，多角度模型等和判别式模型（Discriminative Model）包括Fisher判别分支，支持矢量机，AdaBoost等[2] 。近年来得益于机器学习和深度学习的发展，更多神经网络模型可用来训练物体识别。

基于静止背景视频中的检测算法主要是结合物体运动信息识别动态目标，代表性的做法有背景差分法[3]、光流法[4]、帧间差分法[5]等。变化背景中此类方法会受到一定的约束，此情况下，将检测单帧静止图像中的目标作为核心任务。需要对场景进行建模，通常视频的目标检测可以大致分为基于背景模型的检测和基于分类器的检测[6] 。根据场景中的特征模型，从背景中寻找出目标的特征并定位物体需要使用一些搜索、匹配、决策算法。

综上，对移动物体的一种检测的流程可分为两个部分，预先设定物体的描述文件，提取特征归纳为特征模型；接受视频序列后对视频帧中的场景进行特诊提取。运用搜索、决策算法对目标位置进行初步判断，继而进行目标识别与分类，最后输出检测结果。

1。3论文工作概述

本文着重讲述的是基于特征匹配的移动目标检测方法，主要关注移动背景下移动的应用。特征匹配选取物体的局部特征。在第二章详细描述了SIFT算子，和FLANN Based 匹配算法，实现了基于SIFT的目标检测，并测试其运算性能与时间。第三章和第四章为项目主要工作的描述，其中：

第三章提出了MSIFT，一种融合不变特征变换视频移动目标检测方法。对这个方法框架的原理从场景ROI提取、特征融合、特征匹配算法与层次聚类的结果应用、几个方面详细地描述了MSIFT算法的原理。

第四章，阐述了程序的实现和相关工作，且展示了物体检测的实际效果，并量化其检测的性能与效率。

第五章为论文的结论、之后工作与未来展望。

2特征匹配与目标检测

特征是从图像中提取的数值信息，其抽象地表示方式使人类难以从中理解和其中的相关性。通常，从图像提取的特征比原始图像的尺寸要小得多。尺寸的缩小减少了处理图像的开销。基本上，特征提取算法会提取两种特征。它们分别是是局部特征和全局特征。特征有时也被称为描述符。全局特征将图像整体描述为对整个对象进行泛化，通常包括方差、颜色直方图等，全局特征较适合对整体图像的检测，但是无法区分前景和背景，对于物体的遮挡适应性较差；本地特征描述对象的图像特征点，用于对象识别、辨别，识别对象的种类，物体遮挡时。一些局部特征仍然会被保留。本论文中，需要在视频中对物体进行检测，其中可能存在物体被遮挡的情况。因此，本论文中主要选取局部特征对目标进行描述。使用合适的匹配算法将物体与场景的特征匹配，即计算相关性从而寻找到物体，完成目标的检测。论文网