多运动目标识别是智能视频监控系统的一个重要组成部分,也是计算机视觉领域的一个研究热点,对其进行研究有着非常重要的理论意义和应用价值。本文以运动的汽车、自行车/摩托车、行人为研究对象,对基于视频的多运动目标识别技术进行了深入的研究。首先,采用中值合成策略建立初始背景模型,结合自适应背景更新算法和加权均值阈值法实现多运动目标分割,并选择面积、形状复杂度、长宽比、速度作为运动目标的识别特征。仿真结果表明,目标分割效果良好,提取的识别特征具有较好的区分性。接着,研究了基于模糊理论的多运动目标识别。利用模糊C-均值聚类法实现特征量的模糊化,并分别设计了Mamdani型模糊分类器和Sugeno型模糊分类器来实现多运动目标识别。仿真结果表明,Sugeno型模糊分类器比Mamdani型模糊分类器的识别精度高。然后,研究了基于BP神经网络的多运动目标识别。针对普通BP算法存在的不足,采用弹性BP算法和L-M算法改善网络的性能,并分别设计了多输出型BP分类器和单输出型BP联合分类器来实现多运动目标识别。仿真结果表明,在相同训练指标下,单输出型BP联合分类器比多输出型BP分类器的识别精度高。最后,研究了基于自适应模糊神经网络(ANFIS)的多运动目标识别。分别利用网格分割法和减法聚类法生成ANFIS分类器的初始结构,并采用最小二乘法与BP算法相结合的混合学习算法对网络进行训练。仿真结果表明,在相同训练指标下,利用减法聚类法生成的ANFIS分类器比利用网格分割法生成的ANFIS分类器训练速度快,识别精度高。ANFIS融合了模糊系统和神经网络的优点,具有结构透明、可解释性好的特点,并拥有较好的自适应学习能力,其综合性能最佳。