視頻序列中的運(yùn)動(dòng)目標(biāo)分類算法研究.pdf

1、隨著計(jì)算機(jī)軟硬件的快速發(fā)展，基于視頻的運(yùn)動(dòng)分析越來(lái)越受到人們的關(guān)注。視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)分析主要針對(duì)包含各種運(yùn)動(dòng)目標(biāo)的視頻圖像序列進(jìn)行處理，從場(chǎng)景中檢測(cè)、跟蹤、分類識(shí)別目標(biāo)。其中，目標(biāo)分類是視頻監(jiān)控系統(tǒng)中的一個(gè)重要內(nèi)容，主要研究的是對(duì)提取出的運(yùn)動(dòng)目標(biāo)進(jìn)行語(yǔ)義上的分類。目標(biāo)分類研究對(duì)于自動(dòng)視頻理解技術(shù)的發(fā)展有重要意義，是后續(xù)行為分析和理解的基礎(chǔ)。
　　本文研究的是攝像頭固定、背景靜止場(chǎng)景下的目標(biāo)分類技術(shù)。在總結(jié)運(yùn)動(dòng)目標(biāo)分類研究現(xiàn)狀和

2、當(dāng)前國(guó)內(nèi)外幾種算法的基礎(chǔ)上，提出了一種基于形狀特征和時(shí)間上下文信息相結(jié)合的目標(biāo)分類方法，采用支持向量機(jī)作為分類器，將視頻中檢測(cè)到的目標(biāo)分為以下幾種類別：?jiǎn)稳?、人群、車輛（包括小轎車、面包車、卡車）、自行車（包括自行車、摩托車、電動(dòng)車，為了描述方便，統(tǒng)一歸類于自行車）。本文主要工作如下：
　　首先，對(duì)現(xiàn)有的運(yùn)動(dòng)目標(biāo)檢測(cè)及跟蹤方法進(jìn)行了較為深入的研究。本文采用掩膜填充的方法提取前景目標(biāo)區(qū)域，并提出了基于不同區(qū)域權(quán)值更新的算法進(jìn)行背景更

3、新。利用改進(jìn)的快速歸一化互相關(guān)函數(shù)和HSV空間相結(jié)合的方法對(duì)目標(biāo)進(jìn)行陰影檢測(cè)和消除，提取出目標(biāo)的基本輪廓。在目標(biāo)跟蹤方面，采用MeanShift迭代跟蹤算法和基于目標(biāo)檢測(cè)的多運(yùn)動(dòng)目標(biāo)跟蹤算法實(shí)現(xiàn)了對(duì)目標(biāo)的跟蹤。
　　其次，在前一步工作的基礎(chǔ)上，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行特征提取。在研究現(xiàn)有的圖像特征描述方法的基礎(chǔ)上，本文提出了一種新的算法：選取目標(biāo)形狀特征與目標(biāo)相對(duì)運(yùn)動(dòng)速度作為運(yùn)動(dòng)目標(biāo)特征。該算法可以較好地適應(yīng)目標(biāo)部分被遮擋、目標(biāo)含有少量陰影

4、的情況。
　　再次，構(gòu)建了基于小樣本學(xué)習(xí)理論的多類支持向量機(jī)SVM分類器，通過(guò)采集一定數(shù)量樣本對(duì)分類器進(jìn)行訓(xùn)練，訓(xùn)練好的分類器便可以用來(lái)對(duì)未知目標(biāo)樣本進(jìn)行分類。支持向量機(jī)分類器能夠較好地解決多類別非線性目標(biāo)分類問(wèn)題。
　　最后，研究了提高目標(biāo)分類性能的一些方法。采取隔幀分類和區(qū)域有效性檢測(cè)的思想，降低了分類算法的時(shí)間復(fù)雜度，提高了系統(tǒng)的實(shí)時(shí)性，并利用多幀聯(lián)合檢測(cè)策略提高了分類準(zhǔn)確率。
　　通過(guò)實(shí)驗(yàn)驗(yàn)證，采用本文方法可以