面向智能監(jiān)控的運動目標(biāo)檢測和分類方法的研究.pdf

1、近些年，隨著圖像采集技術(shù)的發(fā)展，城市安裝越來越多的監(jiān)控攝像頭，以便有效的監(jiān)控違法犯罪行為，從而確保經(jīng)濟(jì)建設(shè)的順利進(jìn)行，維護(hù)社會安定。然而按照傳統(tǒng)的人工排查、監(jiān)控的方式，海量的監(jiān)控視頻將消耗大量的人力和物力，而且一旦人工疲勞等疏漏關(guān)鍵視頻幀，將會造成嚴(yán)重的后果。鑒于傳統(tǒng)方式的弊端，基于計算機(jī)視覺的智能監(jiān)控系統(tǒng)被越來越多地應(yīng)用，其中運動目標(biāo)檢測和分類是智能監(jiān)控系統(tǒng)的重要組成部分。本文主要針對運動目標(biāo)檢測和目標(biāo)分類進(jìn)行研究，結(jié)合各個算法的特點

2、和實際情況，提出有效的整體方法，取得了較好的實驗結(jié)果。本文的具體成果如下:
　　本文提出基于運動目標(biāo)檢測和Binarized Normed Gradients(二值化梯度范數(shù)，BING)相結(jié)合的運動目標(biāo)檢測方法。本文首先從監(jiān)控視頻流中，利用混合高斯模型的方法獲得運動目標(biāo)區(qū)域;由于噪聲的影響，導(dǎo)致運動目標(biāo)區(qū)域含有大量噪聲，而經(jīng)過簡單的形態(tài)學(xué)處理方法處理，便可得到干凈的運動目標(biāo)區(qū)域。為了方便后續(xù)的處理（目標(biāo)跟蹤、目標(biāo)分類等），目標(biāo)檢測

3、應(yīng)輸出包含運動目標(biāo)區(qū)域的最小矩形框。但由于陰影等影響，造成多個目標(biāo)相連、或者矩形框過大等現(xiàn)象，從而影響后續(xù)處理的準(zhǔn)確性。而基于BING的目標(biāo)檢測方法能夠有效地避免上述弊端，在300幀每秒的速度下，獲得含有前景目標(biāo)的最小矩形框。最后將二者的結(jié)果相結(jié)合，獲得運動目標(biāo)矩形區(qū)域。
　　本文還提出基于卷積神經(jīng)網(wǎng)絡(luò)的運動目標(biāo)分類方法。目前，業(yè)內(nèi)沒有一個專門關(guān)于運動目標(biāo)的數(shù)據(jù)庫，所以本文首先以嚴(yán)格的標(biāo)準(zhǔn)，建立了一個運動目標(biāo)數(shù)據(jù)庫，并以機(jī)動車、非

4、機(jī)動車和行人3類標(biāo)簽標(biāo)注，57836張訓(xùn)練樣本和4827張測試樣本。由于運動目標(biāo)圖像分辨低，本文分別設(shè)計3層和5層的卷積神經(jīng)網(wǎng)絡(luò)。由于背景變化經(jīng)常導(dǎo)致運動目標(biāo)不清晰，本文采用直方圖均衡化對圖像進(jìn)行預(yù)處理，在測試集上，mAP（平均識別率）可提高1％。在我國，運動目標(biāo)每一類的形態(tài)多樣，特別是非機(jī)動車，本文采用不平衡樣本策略進(jìn)行訓(xùn)練，實驗中mAP最高可提高8％。最后，通過多模型融合的方法，將兩種模型進(jìn)行融合，取得了更高的識別率，在3層卷積層的