智能视频监控中的运动目标检测与分类算法研究

摘要

随着多媒体技术的快速发展，视频监控系统在公共安全领域发挥着越来越重要的作用，但传统视频监控极大地浪费了人力物力，已经不能符合时代的发展需求，所以视频监控急需向智能化的方向发展。运动目标的检测与分类一直都是智能视频监控中的关键技术。由于监控环境的复杂多变以及目标特征的局限性，目前的运动目标检测与分类算法依然面临着很多难题，所以本文针对智能视频监控中的运动目标检测与分类进行了相应的研究。 1.本文根据高斯混合背景模型和帧差法，提出了一种基于GMM（Gaussians Mixture Model）和帧差法的运动目标检测方法。该方法首先提出了一种融合GMM和帧差法的新型图像组合算法，解决了传统GMM和帧差法融合造成的噪声以及目标内部空洞等问题。然后该方法加入了图像修补技术，在空间上对运动目标进行补偿，获得了更好的目标形状。最后该方法运用形态学知识对运动目标进行处理，得到了精确的运动目标图像。实验结果表明，本文提出的运动目标检测方法可以有效的解决运动目标检测不完整、目标内部空洞以及噪声等问题，在后续的运动目标分类过程中起着至关重要的作用。 2.本文提出一种多特征融合的运动目标分类方法，解决了单一特征分类识别率低下的问题。多特征由静态特征和动态特征联合取得，其中静态特征包括运动目标的长宽比、边缘以及基于块的HOG（Histogram of Oriented Gradient）特征。本文提取的HOG特征不仅考虑块内的梯度方向，而且考虑块内梯度的几何位置，使得提取的目标形状信息更加准确。运动特征采用基于光流的空间熵，该特征是基于光流方向以及光流强度提出的，特征维数较小，同时考虑了目标的局部运动方向和速度，因此可以很好的表述目标的局部动态特征。实验结果表明，本文提出的多特征融合的方法比其他的特征方法具有更高的分类准确率。 3.为了解决多目标的分类问题，本文构建了一种基于统计学习的二叉树决策支持向量机作为运动目标分类的分类器。由于特征向量维度和训练数据集较大，本文采用批处理增量式支持向量机代替传统的SVM(Support Vector Machine)进行二分类器的训练，提高了分类器的学习效率，解决了传统SVM的竞争性分类问题。

目录

第一个书签之前