论文部分内容阅读
智能视频监控作为计算机视觉领域的一个新兴的研究方向,在军事和生活领域拥有广阔的发展前景。智能视频监控的主要目的是对视频图像序列中的运动目标进行检测、跟踪、分类和行为分析。目标分类作为智能视频监控的一个关键步骤,其目的是对提取的运动目标进行语义上的分类,为目标跟踪或行为分析提供信息。本文主要研究基于静止单摄像机的普通户外场景下的运动目标分类。目标分类的准确性是由采集信息的质量决定的。然而,在户外场景下进行信息采集时,难免会受到光照变化、遮挡、天气等外界因素的干扰。运动目标自身姿势、位置、角度的变化也会给信息的采集带来困难。在这样复杂的外界环境下,若要做到准确的分类,同时满足智能视频监控系统实时性的特点,必须选择最能反映目标本质的特征集合,并且提高分类器的分类速度和性能。本文正是从这两个方面着手,主要进行了以下几方面的工作:①在特征选择方面,提出了一种新的构造特征集合的算法。首先,提取运动目标的多个特征,然后利用这种算法对每一种特征的分类性能进行评价,最后选出分类贡献率最高的一组特征构成特征集合。通过这种方法进行特征选择后,在保证分类精度的前提下提高了分类速度。②对局部二进制模式(LBP)进行改进,并将其用于视频目标分类。近年来,局部特征因其较强的鲁棒性,成为研究热点。局部特征在目标识别和图像匹配方面得到了广泛的应用,却很少被用于视频目标分类,主要是因为其计算量较大,且对摄像头的分辨率要求较高。LBP算子是一种有效的纹理描述子,而且计算比较简单。本文将LBP算子用于视频目标分类,取得了不错的效果。③将经典的机器学习算法AdaBoost算法引用到视频分类中,并将其用于多类分类。AdaBoost算法在构造分类器的同时还完成了对特征的选择。提取LBP算子进行分类时,特征数目庞大,使用AdaBoost算法在对LBP特征进行选择的同时完成了分类器的构造,大大提高了分类的速度和精度。