论文部分内容阅读
随着计算机软硬件的快速发展，基于视频的运动分析越来越受到人们的关注。视频监控中的运动目标分析主要针对包含各种运动目标的视频图像序列进行处理，从场景中检测、跟踪、分类识别目标。其中，目标分类是视频监控系统中的一个重要内容，主要研究的是对提取出的运动目标进行语义上的分类。目标分类研究对于自动视频理解技术的发展有重要意义，是后续行为分析和理解的基础。本文研究的是摄像头固定、背景静止场景下的目标分类技术。在总结运动目标分类研究现状和当前国内外几种算法的基础上，提出了一种基于形状特征和时间上下文信息相结合的目标分类方法，采用支持向量机作为分类器，将视频中检测到的目标分为以下几种类别：单人、人群、车辆（包括小轿车、面包车、卡车）、自行车（包括自行车、摩托车、电动车，为了描述方便，统一归类于自行车）。本文主要工作如下：首先，对现有的运动目标检测及跟踪方法进行了较为深入的研究。本文采用掩膜填充的方法提取前景目标区域，并提出了基于不同区域权值更新的算法进行背景更新。利用改进的快速归一化互相关函数和HSV空间相结合的方法对目标进行阴影检测和消除，提取出目标的基本轮廓。在目标跟踪方面，采用MeanShift迭代跟踪算法和基于目标检测的多运动目标跟踪算法实现了对目标的跟踪。其次，在前一步工作的基础上，对运动目标进行特征提取。在研究现有的图像特征描述方法的基础上，本文提出了一种新的算法：选取目标形状特征与目标相对运动速度作为运动目标特征。该算法可以较好地适应目标部分被遮挡、目标含有少量阴影的情况。再次，构建了基于小样本学习理论的多类支持向量机SVM分类器，通过采集一定数量样本对分类器进行训练，训练好的分类器便可以用来对未知目标样本进行分类。支持向量机分类器能够较好地解决多类别非线性目标分类问题。最后，研究了提高目标分类性能的一些方法。采取隔帧分类和区域有效性检测的思想，降低了分类算法的时间复杂度，提高了系统的实时性，并利用多帧联合检测策略提高了分类准确率。通过实验验证，采用本文方法可以较好地区分单人、人群、车辆、自行车四类目标。