基于支持向量机的多摄像机协同下运动车辆识别

摘要

随着社会经济的快速发展和现代科技的巨大进步，智能监控系统也迎来了其快速发展的新契机，现如今它已被广泛的应用于公共安全、交通、军事等众多领域。但是，现阶段的智能监控系统仍然存在许多关键技术问题需要解决，比如遮挡问题、实时性问题等，特别是在交通拥挤或人流高峰情况下，遮挡问题变得更加复杂，使得多个目标的检测、识别和跟踪变得更加难以实现，这无疑大大增加了系统对高性能处理算法的需求。传统的单摄像机监控系统视角单一，对车辆的识别率低，若遇遮挡问题，则难以或无法进行识别。针对上述问题，本文采用以下几种方法展开研究:
　　首先，针对混合高斯模型(GMM)对噪声敏感，更新率低的问题，提出了一种将支持向量机（SVM）与混合高斯相结合的方法来进行背景建模。本方法先通过混合高斯模型初步建立背景模型，然后通过一个模板窗口对当前帧、前一帧以及由GMM获取的背景图像进行扫描并计算对应窗口内的统计特征，并利用SVM对前景背景进行分割，最后，融合两者分割结果得出最终检测结果。本方法能够很好地降低噪声的影响;
　　其次，采用了基于运动目标提取的车辆识别方法，本方法先用背景减法提取出运动目标区域，然后利用基于特征融合SVM分类器对检出区域进行识别。本方法大大减少了被检测区域，减少车辆识别的时间，同时减少了背景干扰，提高了系统实时性;
　　最后，针对遮挡问题，采用了基于匹配的多摄像机协同的运动车辆识别方法。首先每个摄像机独立的进行运动车辆的检测和识别，然后运用区域匹配方法和DS证据理论将同一目标在不同摄像机下的识别结果进行融合，作出最优决策。本文方法提高了系统整体的识别率。

目录

声明

摘要

1 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 支持向量机国内外研究进展

1．2．2 多摄像机智能监控系统研究

1．3 论文主要工作及组织结构

2 支持向量机分类

2．1 统计学习理论

2．1．1 经验风险最小化

2．1．2 VC维

2．1．3 结构风险最小化

2．2 支持向量机基础

2．2．1 分类问题和分类机

2．2．2 最大间隔分类器

2．2．3 核函数

2．3 支持向量机分类

2．3．1 线性可分情况下的SVM模型

2．3．2 近似线性可分情况下的SVM模型

2．3．3 线性不可分情况下的SVM模型

2．4 本章小结

3 运动目标检测算法

3．1 运动目标检测常见方法

3．1．1 帧差法

3．1．2 光流法

3．1．3 背景减法

3．1．4 几种运动目标检测算法的比较

3．2 基于混合高斯模型的运动目标检测

3．3 改进的基于混合高斯和支持向量机模型的运动目标检测方法

3．3．1 区域特征选取

3．3．2 基于混合高斯和支持向量机的运动目标检测算法

3．4 本章小结

4 基于多摄像机区域匹配的车辆识别算法研究

4．1 目标特征提取方法

4．1．1 Haar_like特征

4．1．2 HOG特征

4．1．3 Hu不变矩

4．2 单—摄像机下基于运动目标提取的车辆识别

4．2．1 基于背景减法的运动目标提取

4．2．2 基于SVM分类器的车辆识别

4．2．3 实验与分析

4．3 基于匹配的多摄像机运动目标识别方法

4．3．1 区域匹配

4．3．2 D_S理论

4．3．3 基于匹配的多摄像机运动目标识别

4．3．4 实验结果

4．4 本章小结

5 结论和展望

5．1 工作小结

5．2 展望

致谢

参考文献

攻读硕士学位期间发表的论文情况