智能視頻監(jiān)控平臺(tái)中運(yùn)動(dòng)目標(biāo)分類的研究與實(shí)現(xiàn).pdf

1、智能視頻監(jiān)控平臺(tái)的相關(guān)研究是機(jī)器視覺(jué)領(lǐng)域的一個(gè)重要研究方向。隨著經(jīng)濟(jì)的快速發(fā)展，科技、社會(huì)都在不斷進(jìn)步，人們的生活水平也在隨之提高，因而各行各業(yè)對(duì)智能視頻監(jiān)控的需求也在不斷增強(qiáng)，這使得越來(lái)越多的國(guó)內(nèi)外學(xué)者投身到智能視頻監(jiān)控平臺(tái)的相關(guān)研究工作中。智能視頻監(jiān)控平臺(tái)的主要作用是對(duì)監(jiān)控視頻中的特定目標(biāo)進(jìn)行檢測(cè)、分類、跟蹤和行為理解。其中，目標(biāo)分類是智能視頻監(jiān)控平臺(tái)搭建過(guò)程中的一個(gè)重要步驟，目標(biāo)分類是對(duì)前期檢測(cè)出來(lái)的感興趣的運(yùn)動(dòng)目標(biāo)按照特定需求進(jìn)

2、行歸類，以支持后期繼續(xù)的目標(biāo)跟蹤和行為理解。
　　本文主要是對(duì)智能視頻監(jiān)控平臺(tái)中運(yùn)動(dòng)目標(biāo)的分類的研究與實(shí)現(xiàn)，本文所使用的算法是利用概率決策樹(shù)框架搭配Adaboost分類算法。該算法的主要步驟是先對(duì)多種特征以及特征提取方案進(jìn)行研究，對(duì)比確定Haar-like作為本算法所需的特征。隨后將所有待訓(xùn)練的正、負(fù)樣本集進(jìn)行特征提取，把提取的特征值進(jìn)行Adaboost訓(xùn)練，將訓(xùn)練得到的強(qiáng)分類器作為概率決策樹(shù)的一個(gè)節(jié)點(diǎn)，并繼續(xù)對(duì)子集再進(jìn)行Adab

3、oost訓(xùn)練，形成一個(gè)子節(jié)點(diǎn)，直到錯(cuò)誤率為零或者樣本數(shù)量小于20訓(xùn)練結(jié)束，通過(guò)每一個(gè)節(jié)點(diǎn)構(gòu)成一棵概率決策樹(shù)。最后計(jì)算判決概率，以實(shí)現(xiàn)對(duì)視頻場(chǎng)景中的運(yùn)動(dòng)目標(biāo)分類識(shí)別。
　　與傳統(tǒng)的Adaboost分類算法不同的是，本文將傳統(tǒng)Adaboost分類算法與概率決策樹(shù)（PBT）框架相結(jié)合，概率決策樹(shù)的每一個(gè)節(jié)點(diǎn)都是一個(gè)用Adaboost算法訓(xùn)練出來(lái)的強(qiáng)分類器，對(duì)分類的結(jié)果不斷再進(jìn)行Adaboost分類，直到得到正確分類結(jié)果。此外，本文還提出