论文部分内容阅读
运动目标检测和识别方法研究的主要任务是对视频图像序列中的运动目标进行自动检测并判断目标物体属于某个类别。由于视频图像采集过程中存在复杂背景、光照强度变化、运动目标遮挡等干扰,导致运动目标图像发生形变,因此运动目标检测和识别需要在实际应用中解决上述问题并不断进行扩展,它在武器自动跟踪、基于内容的视频检索、基于计算机视觉的人机交互、智能视频监控和运动行为分析等领域有着良好的应用前景和重要的经济价值。本文结合图像处理、模式识别和计算机视觉等多个领域的理论,对运动目标检测和识别中的一系列问题进行了系统、深入的研究,主要的研究内容从视频背景的提取到运动目标识别模型的建立等。论文研究的问题包括:(1)动态背景下的运动目标检测;(2)静态复杂背景下的目标检测;(3)动态复杂背景下的运动目标识别。针对上述问题,提出了相应的解决方法。本文的主要研究内容如下:1.首先研究了动态背景下基于自适应权重更新Adaboost的运动目标检测方法。基于特征选取和机器学习的运动目标检测需要选取大量的特征进行训练,但是大量的特征选取和计算会导致目标检测方法的实时性不高,因此用多个弱学习器生成较高分类准确率的强学习器的Adaboos方法得到了广泛应用,Adaboos方法通过调整特征的权重,挑选出最优的特征进行分类。但是对于难以分类的背景样本,传统的Adaboost方法会出现权重扩张而不能收敛的问题。针对这些问题,文中提出了一种基于自适应权重更新Adaboost的运动目标检测方法,该方法通过计算特征样本的FNR和FPR,自适应地更新特征权重,有效地避免多次错分的困难样本特征权重扩张,并且根据样本分布类型的情况,提高运动目标的检测率并抑制背景的错分类。实验结果表明文中方法可以对动态背景且不存在严重遮挡情况下的运动目标进行准确的检测。2.基于特征选取的运动目标检测需要大量的已标注出目标位置的训练样本,然而手工标注出目标位置相当耗时耗力;此外,为了提高目标检测的准确率,许多方法通过高阶局部特征加入了目标的空间结构信息,但是也提高了算法的计算复杂度。针对这一问题,在第四章提出了一种基于核函数高阶局部特征表示的目标检测方法。其主要思想是:首先利用核函数构建高阶局部特征,减少高阶局部特征的特征维度,降低了特征选取的计算复杂度;然后,将提取的特征用于训练特征码本,并将特征码本作为支持向量机的训练样本训练分类器;当进行检测时,用核函数高阶局部特征方法提取测试图像的特征,作为分类器的输入,最后得到检测结果。另外,由于本文方法的核函数高阶局部特征是无需人工干预的,具有无监督学习的优点3.复杂背景下的目标识别通过对特征进行聚类,以减少背景噪声带来的影响,但是传统的k均值聚类方法的计算复杂度较高;此外,运动目标识别方法需要事先检测出目标物体所在的位置,再对目标物体进行识别,影响了识别方法的实时性。针对这些问题,在第五章提出一种在复杂背景下基于特征树模型的运动目标识别方法,该方法主要由局部特征提取、构建特征树和联合目标检测的识别框架这三部分组成。首先提取HOG特征和光流特征,然后对特征进行层次k均值聚类构建特征树,利用树形结构快速查找的优点实现特征快速定位和分类,最后构建了联合目标检测和目标识别的概率框架,减少了计算过程所需时间。