基于支持向量機(jī)的多攝像機(jī)協(xié)同下運動車輛識別.pdf

1、隨著社會經(jīng)濟(jì)的快速發(fā)展和現(xiàn)代科技的巨大進(jìn)步，智能監(jiān)控系統(tǒng)也迎來了其快速發(fā)展的新契機(jī)，現(xiàn)如今它已被廣泛的應(yīng)用于公共安全、交通、軍事等眾多領(lǐng)域。但是，現(xiàn)階段的智能監(jiān)控系統(tǒng)仍然存在許多關(guān)鍵技術(shù)問題需要解決，比如遮擋問題、實時性問題等，特別是在交通擁擠或人流高峰情況下，遮擋問題變得更加復(fù)雜，使得多個目標(biāo)的檢測、識別和跟蹤變得更加難以實現(xiàn)，這無疑大大增加了系統(tǒng)對高性能處理算法的需求。傳統(tǒng)的單攝像機(jī)監(jiān)控系統(tǒng)視角單一，對車輛的識別率低，若遇遮擋問題，

2、則難以或無法進(jìn)行識別。針對上述問題，本文采用以下幾種方法展開研究:
　　首先，針對混合高斯模型(GMM)對噪聲敏感，更新率低的問題，提出了一種將支持向量機(jī)（SVM）與混合高斯相結(jié)合的方法來進(jìn)行背景建模。本方法先通過混合高斯模型初步建立背景模型，然后通過一個模板窗口對當(dāng)前幀、前一幀以及由GMM獲取的背景圖像進(jìn)行掃描并計算對應(yīng)窗口內(nèi)的統(tǒng)計特征，并利用SVM對前景背景進(jìn)行分割，最后，融合兩者分割結(jié)果得出最終檢測結(jié)果。本方法能夠很好地降低

3、噪聲的影響;
　　其次，采用了基于運動目標(biāo)提取的車輛識別方法，本方法先用背景減法提取出運動目標(biāo)區(qū)域，然后利用基于特征融合SVM分類器對檢出區(qū)域進(jìn)行識別。本方法大大減少了被檢測區(qū)域，減少車輛識別的時間，同時減少了背景干擾，提高了系統(tǒng)實時性;
　　最后，針對遮擋問題，采用了基于匹配的多攝像機(jī)協(xié)同的運動車輛識別方法。首先每個攝像機(jī)獨立的進(jìn)行運動車輛的檢測和識別，然后運用區(qū)域匹配方法和DS證據(jù)理論將同一目標(biāo)在不同攝像機(jī)下的識別結(jié)果進(jìn)