基于视频的运动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,并对其行为进行理解和描述。其中,目标分类是基于视频的运动分析课题中的一个重要方面,其研究内容是对提取的运动目标进行语义上的分类,将不同的目标对应于不同的类别。目标分类研究主要应用于场景中的行为理解。解决多目标非线性分类问题,对于自动视频理解技术的发展有重要意义。本文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技术,在总结分析目标分类研究现状和当前国内外已有算法的基础上,提出了一种基于形状特征和支持向量机的目标分类算法,将视频中检测到的目标分类为几种常见的目标类别:人、人群、车、自行车。主要工作如下:1.首先,对输入图像进行预处理,采用自适应高斯背景模型方法提取出运动的前景区域,对前景图像进行去噪,分割处理,确定目标区域并对目标进行跟踪。在此基础上,对运动目标进行特征提取,本文定义了几种简单有效的形状特征,可以较好的适应目标形状有一定变化的情况。2.构建了基于小样本学习理论的多类支持向量机分类器,用已标记样本对分类器进行训练,较好地解决了多类别非线性目标分类问题。训练好的分类器便可以用来对未知目标样本进行分类。3.研究了提高目标分类性能的一些方法。提出隔帧分类的思想,将每帧都进行的特征提取与分类处理改为隔帧处理,降低了分类算法的时间复杂度,并描述了利用时间一致性约束和场景相关特征提高分类效率的方法。实验结果表明,本文提出的方法可以较好地区分人、人群、车、自行车四种目标,并对目标多角度、姿态变化、目标含有少量影子、目标区域提取不太完整等形状变化有一定适应性,总体达到了98.73%的测试分类率。