視頻序列中的運動目標分類算法研究.pdf

1、隨著計算機軟硬件的快速發(fā)展，基于視頻的運動分析越來越受到人們的關注。視頻監(jiān)控中的運動目標分析主要針對包含各種運動目標的視頻圖像序列進行處理，從場景中檢測、跟蹤、分類識別目標。其中，目標分類是視頻監(jiān)控系統(tǒng)中的一個重要內容，主要研究的是對提取出的運動目標進行語義上的分類。目標分類研究對于自動視頻理解技術的發(fā)展有重要意義，是后續(xù)行為分析和理解的基礎。
　　本文研究的是攝像頭固定、背景靜止場景下的目標分類技術。在總結運動目標分類研究現(xiàn)狀和

2、當前國內外幾種算法的基礎上，提出了一種基于形狀特征和時間上下文信息相結合的目標分類方法，采用支持向量機作為分類器，將視頻中檢測到的目標分為以下幾種類別：單人、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，對現(xiàn)有的運動目標檢測及跟蹤方法進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區(qū)域，并提出了基于不同區(qū)域權值更新的算法進行背景更

3、新。利用改進的快速歸一化互相關函數(shù)和HSV空間相結合的方法對目標進行陰影檢測和消除，提取出目標的基本輪廓。在目標跟蹤方面，采用MeanShift迭代跟蹤算法和基于目標檢測的多運動目標跟蹤算法實現(xiàn)了對目標的跟蹤。
　　其次，在前一步工作的基礎上，對運動目標進行特征提取。在研究現(xiàn)有的圖像特征描述方法的基礎上，本文提出了一種新的算法：選取目標形狀特征與目標相對運動速度作為運動目標特征。該算法可以較好地適應目標部分被遮擋、目標含有少量陰影

4、的情況。
　　再次，構建了基于小樣本學習理論的多類支持向量機SVM分類器，通過采集一定數(shù)量樣本對分類器進行訓練，訓練好的分類器便可以用來對未知目標樣本進行分類。支持向量機分類器能夠較好地解決多類別非線性目標分類問題。
　　最后，研究了提高目標分類性能的一些方法。采取隔幀分類和區(qū)域有效性檢測的思想，降低了分類算法的時間復雜度，提高了系統(tǒng)的實時性，并利用多幀聯(lián)合檢測策略提高了分類準確率。
　　通過實驗驗證，采用本文方法可以