基于多特征融合的特定區(qū)域內運動目標分類算法研究.pdf

1、隨著計算機技術和監(jiān)控技術的發(fā)展，視頻監(jiān)控系統(tǒng)也在不斷加快智能化的步伐。智能視頻監(jiān)控所涉及的各項技術都對其智能化起著至關重要的作用。其中，運動目標分類技術扮演者承前啟后的重要角色，一方面它承接著目標檢測的輸出，另一方面為目標行為理解和分析提供必要輸入。目前，智能視頻監(jiān)控系統(tǒng)的應用范圍不斷擴大，基于語義的目標分類技術已備受各界研究者們關注，它的研究發(fā)展在很大程度上決定著視頻自動理解技術的發(fā)展。所以，對運動目標分類技術的研究有著長遠而深刻的意

2、義。
　　本文對現(xiàn)有的運動目標分類算法以及其所涉及的各項理論知識進行了深入的學習和研究。由于目標分類算法涉及一些不確定因素，所以在實現(xiàn)的時候需要做一些界定和說明，如針對的場景、待分類目標類別以及采用的特征組合等等。本文針對的是固定攝像頭下的道路監(jiān)控場景，待分類的目標類別為行人、自行車/電瓶車以及汽車三類目標。并且選用靜態(tài)特征與所提動態(tài)特征相融合的特征項，還引入了對監(jiān)控畫面中手動框定的四邊形區(qū)域進行分類的概念。該分類算法各個階段的工

3、作主要可以總結為以下幾個方面:
　　(1)對三種常用的運動目標檢測方法進行研究，并描述了它們的算法原理和實現(xiàn)步驟。其中，著重介紹了背景差分法，對其背景建模算法給出了三種常見方法:簡單自適應背景建模、單高斯背景建模以及混合高斯背景建模，并通過實驗進行了對比分析。最后，對各個目標檢測算法的利弊以及適用范圍進行了討論。
　　(2)運用幾種常見的圖像處理方法來完善目標的形狀、輪廓信息，實現(xiàn)目標提取，其主要包括形態(tài)學操作、連通域標識以

4、及團塊合并和整理等。據(jù)此，得到較為完善的目標區(qū)域信息，然后對其進行特征提取。本文采用的是多特征融合的方法，將靜態(tài)特征與所提動態(tài)特征（低三分之一處寬高比變化量）相結合來識別目標，有效地提高了目標分類的準確性。該動態(tài)特征根據(jù)目標運動的剛性、非剛性原理很好的反映了運動的周期性規(guī)律。
　　(3)目標分類技術的最后一個步驟是構造分類器來得出分類結果。良好的分類算法可以根據(jù)有限的樣本和特征準確識別出目標類別。本文采用適用于小樣本分類的支持向量

5、機學習理論來構造分類器。使用分類器進行分類主要包括訓練和測試兩個部分，經過有監(jiān)督的學習后建立起可靠有效的分類面，然后對測試樣本進行分類，得出分類結果。
　　(4)對于傳統(tǒng)的運動目標分類算法進行實現(xiàn)后，考慮特殊場景的應用需求，本文給出了一種基于特定區(qū)域下的運動目標分類算法。有時候對于寬廣的監(jiān)控畫面，我們只想查看某一塊區(qū)域的目標信息，這就使得本文的算法有了研究價值。該方法首先需要手動標定感興趣區(qū)域，并設為檢測和分類范圍。然后對框定區(qū)域