基于多特征融合的特定区域内运动目标分类算法研究

摘要

随着计算机技术和监控技术的发展，视频监控系统也在不断加快智能化的步伐。智能视频监控所涉及的各项技术都对其智能化起着至关重要的作用。其中，运动目标分类技术扮演者承前启后的重要角色，一方面它承接着目标检测的输出，另一方面为目标行为理解和分析提供必要输入。目前，智能视频监控系统的应用范围不断扩大，基于语义的目标分类技术已备受各界研究者们关注，它的研究发展在很大程度上决定着视频自动理解技术的发展。所以，对运动目标分类技术的研究有着长远而深刻的意义。
　　本文对现有的运动目标分类算法以及其所涉及的各项理论知识进行了深入的学习和研究。由于目标分类算法涉及一些不确定因素，所以在实现的时候需要做一些界定和说明，如针对的场景、待分类目标类别以及采用的特征组合等等。本文针对的是固定摄像头下的道路监控场景，待分类的目标类别为行人、自行车/电瓶车以及汽车三类目标。并且选用静态特征与所提动态特征相融合的特征项，还引入了对监控画面中手动框定的四边形区域进行分类的概念。该分类算法各个阶段的工作主要可以总结为以下几个方面:
　　(1)对三种常用的运动目标检测方法进行研究，并描述了它们的算法原理和实现步骤。其中，着重介绍了背景差分法，对其背景建模算法给出了三种常见方法:简单自适应背景建模、单高斯背景建模以及混合高斯背景建模，并通过实验进行了对比分析。最后，对各个目标检测算法的利弊以及适用范围进行了讨论。
　　(2)运用几种常见的图像处理方法来完善目标的形状、轮廓信息，实现目标提取，其主要包括形态学操作、连通域标识以及团块合并和整理等。据此，得到较为完善的目标区域信息，然后对其进行特征提取。本文采用的是多特征融合的方法，将静态特征与所提动态特征（低三分之一处宽高比变化量）相结合来识别目标，有效地提高了目标分类的准确性。该动态特征根据目标运动的刚性、非刚性原理很好的反映了运动的周期性规律。
　　(3)目标分类技术的最后一个步骤是构造分类器来得出分类结果。良好的分类算法可以根据有限的样本和特征准确识别出目标类别。本文采用适用于小样本分类的支持向量机学习理论来构造分类器。使用分类器进行分类主要包括训练和测试两个部分，经过有监督的学习后建立起可靠有效的分类面，然后对测试样本进行分类，得出分类结果。
　　(4)对于传统的运动目标分类算法进行实现后，考虑特殊场景的应用需求，本文给出了一种基于特定区域下的运动目标分类算法。有时候对于宽广的监控画面，我们只想查看某一块区域的目标信息，这就使得本文的算法有了研究价值。该方法首先需要手动标定感兴趣区域，并设为检测和分类范围。然后对框定区域内的像素进行检测、提取、特征提取以及分类处理。该方法在具有特殊需求的场景方面可以得到很好的应用，如:斑马线、十字路口及室内的走廊、出入口等。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景和意义

1．1．1 计算机视觉

1．1．2 智能视频监控

1．1．3 运动目标分类

1．2 课题的国内外研究现状

1．2．1 智能监控技术在国外的研究现状

1．2．2 智能监控技术在国内的研究现状

1．2．3 运动目标分类的研究现状

1．3 论文主要内容

1．4 论文章节安排

第二章 固定场景下的运动目标检测

2．1 光流法

2．1．1 算法原理

2．1．2 算法步骤

2．1．3 总结分析

2．2 帧差法

2．2．1 算法原理

2．2．2 算法步骤

2．2．3 实验及总结

2．3 背景差法

2．3．1 算法原理

2．3．2 几种背景建模算法的介绍

2．3．3 实验对比与分析

2．4 本文采用的特定区域内目标检测算法

第三章 运动目标的提取

3．1 图像的二值化

3．2 二值图像的形态学处理

3．2．1 腐蚀与膨胀

3．2．2 开操作和闭操作

3．3 连通域的标记与分析

3．4 离散团块的合并与整理

第四章 运动目标分类特征的选择和提取

4．1 常用于运动目标分类的特征概述

4．1．1 基于静态特征的运动目标分类

4．1．2 基于动态特征的目标分类

4．1．3 静态特征与动态特征相结合的运动目标分类

4．2 本文所采用的特征及提取过程

第五章 基于支持向量机的运动目标分类

5．1 支持向量机理论概述

5．1．1 机器学习理论的发展

5．1．2 支持向量机理论的基本原理

5．1．3 支持向量机理论涉及的概念

5．2 基于SvM的运动目标分类

5．2．1 基于SVM的多类别分类

5．2．2 基于SVM的运动目标分类的实现

5．3 实验结果与分析

第六章 总结与展望

总结

展望

参考文献

致谢

攻读硕士学位期间参与的科研项目和发表的论文