監(jiān)控視頻中的運動目標(biāo)分類算法研究.pdf

1、隨著經(jīng)濟的發(fā)展，人類的活動范圍越來越大，面臨的突發(fā)事件和異常事件越來越復(fù)雜，監(jiān)控的難度和重要性也越來越突出，傳統(tǒng)的靠人工來處理海量監(jiān)控視頻數(shù)據(jù)的方式已經(jīng)無法滿足安全需要，智能視頻監(jiān)控系統(tǒng)應(yīng)運而生。智能視頻監(jiān)控的主要任務(wù)是對監(jiān)控視頻中的運動目標(biāo)行為進行分析，減少監(jiān)控視頻中對人無用的冗余信息，只為監(jiān)控管理人員提供關(guān)鍵監(jiān)控信息。運動目標(biāo)分類是智能視頻監(jiān)控系統(tǒng)中運動分析研究的一個重要方面，其主要研究內(nèi)容是對視頻中的運動目標(biāo)進行自動分類，運動目標(biāo)

2、分類是智能監(jiān)控中目標(biāo)行為理解的基礎(chǔ)。
　　 本文針對靜止背景的監(jiān)控視頻展開研究，在對當(dāng)前運動目標(biāo)檢測和分類技術(shù)的研究基礎(chǔ)上，提出了一種適用于各種不同監(jiān)控場景的運動目標(biāo)分類算法。該算法提取運動目標(biāo)的靜態(tài)特征和時間上下文信息，利用改進的SVM分類方法，能夠有效地將監(jiān)控視頻中的運動目標(biāo)自動劃分為預(yù)先定義好的類別，包括行人、自行車、汽車等。與傳統(tǒng)的基于SVM的目標(biāo)分類算法不同的是，本文利用改進后的SVM分類器不僅能輸出目標(biāo)的分類類別，還

3、能輸出目標(biāo)類別的后驗概率，因此改進后的分類算法更有利于結(jié)果的后續(xù)處理。另外，本文在目標(biāo)分類結(jié)果的后處理階段引入了數(shù)字信號處理方法，將SVM輸出的后驗概率值作為數(shù)字信號，在對該信號進行頻譜分析的基礎(chǔ)上，利用FIR低通濾波器對原始的概率值序列進行數(shù)字濾波去噪，使得概率值序列更為平滑，有效地避免了由于偶然因素導(dǎo)致的分類錯誤，提高了系統(tǒng)的分類性能。最后通過實驗證明本文提出的目標(biāo)分類方法在不同場景下的監(jiān)控視頻中能有效區(qū)分人、人群、自行車等六類運動