基于特征速度的运动物体识别研究

摘要

随着计算机视觉技术、机器学习技术和图像识别技术的不断发展，基于视频图像处理的运动物体识别技术越来越引起人们的关注。运动物体识别技术在智慧监控、智能交通、智能导航等领域有着广泛的应用前景。行人和车辆是视频监控场景下最主要的运动物体，实现对行人或者车辆的追踪、分析的基础是对运动物体的正确检测和识别，因此如何实现高效准确的对运动物体识别正在得到越来越多的关注。视频监控场景下存在的光照变化、背景变化、遮挡、阴影等因素都对运动物体正确识别造成了巨大的影响，虽然运动物体识别技术已经得到了广泛的研究和关注，但是仍然缺少一个通用性强的运动物体识别算法可以满足实际应用场景下对准确度和实时性的要求。
　　基于模板匹配和统计学习是运动物体识别技术的主要方法。模板匹配主要是利用运动物体的边缘轮廓特征进行识别工作，由于行人行走姿态的多异性，车辆种类的多样性和遮挡现象的出现，识别的准确率有较大的限制。基于统计学习的运动物体识别方法是近年来研究的主流，主要是从含有大量的运动物体正负样本库中提取对应运动物体的特征，训练学习生成分类器，将运动物体的识别问题转换为机器学习问题。但是由于现有的行人和车辆特征计算、提取方法比较复杂，耗时时间较长，难以满足实际生产环境下对运动物体识别算法的实时性要求。
　　因此本文在对运动物体识别相关技术和理论做了详细研究之后，提出了反映不同类别运动物体在现实场景下运动速度快慢的特征参数，定义为特征速度。结合运动物体检测方法中的相对差分法和绝对差分法，给出运动物体特征速度的算法。结合运动物体的位置信息和特征速度值给出了运动物体在图像水平运动的方向判别。构建了视频监控场景下运动物体的速度场模型，能够很好的表达出运动物体的位置和运动信息，给视频监控场景分析和检索提供了帮助。在对不同场景下运动物体特征速度进行了详细分析后，证明了特征速度值大小可以很好反映运动物体同类的相似性和类间的差异性。结合运动物体的识别的其他特征，利用决策树分类器模型，很好的实现了对运动物体识别，适用性强，计算简单，能够满足实时的处理需求。

目录

声明

摘要

1 绪论

1．1 研究背景与意义

1．2 拟解决的科学问题

1．3 研究内容与论文结构

1．3．1 研究内容

1．3．2 论文结构

2 运动物体识别相关理论综述

2．1 运动物体检测方法

2．1．1 背景消除法

2．1．2 帧间差分法

2．1．3 光流法

2．2 背景建模方法

2．2．1 VIBE方法

2．2．2 混合高斯背景建模

2．3 图像预处理和连通域标记

2．3．1 图像预处理

2．3．2 图像连通域标记

2．4 运动物体识别方法

2．4．1 基于模板匹配方法

2．4．2 基于统计学习方法

3 运动物体的特征速度

3．1 特征速度定义

3．2 斑块特征速度计算

3．2．1 斑块标记

3．2．2 斑块特征速度值

3．3 改进的VIBE算法

3．4 运动物体特征速度值计算

3．5 运动物体特征速度方向

3．6 运动物体速度场构建

4 基于多特征的运动物体识别

4．1 特征选择

4．1．1 特征速度

4．1．2 颜色特征

4．1．3 形状特征

4．2 基于决策树的分类器构造方法

4．2．1 决策树

4．2．2 分类器构造

4．3 实验结果和分析

4．3．1 性能指标

4．3．2 结果分析

4．3．3 对比实验

5 总结与展望

参考文献

攻读硕士学位期间发表学术论文情况

致谢