智能视频监控中的目标检测技术研究.pdfVIP

摘 要 图像以及视频中的目标检测一直是计算机视觉研究领域的重点，也是智能视频 监控系统中关键技术。本文的目标是通过对常见视频监控环境下的目标检测算法的 研究，获得特定环境下实时、准确的目标检测算法，为智能视频监控系统的上层应 用提供重要的基础支持。 本文主要包含两个模块： （1）基于离线机器学习的目标检测部分。基于机器学习目标检测通用做法是通 过对某类目标大量样本的学习获得针对这类目标的分类器，然后利用这个分类器在 图像和视频中检测该类目标。机器学习用于目标检测的过程更类似于人类对外界环 境的理解和认识的过程。在这一部分，主要研究离线学习条件下的目标检测算法。 简要介绍两种特征（Haar和HOG）的计算方法，介绍支持向量机（SVM）和Adaboost 学习算法的基本原理。通过实验具体分析Haar、HOG特征提取算法与SVM、Adaboost 学习算法在特定监控环境下的最佳组合问题，设计在该监控环境下快速、准确的目 标检测系统。 （2）基于背景建模的目标检测部分。在这一部分我们简要介绍混合高斯模型 （GMM）、码书（Codebook）以及基于纹理的背景建模 （LBP）算法的基本原理，通过 实验对比分析其适用的环境及其优缺点。在这里结合混合高斯模型（GMM）和码书 （Codebook）背景模型算法框架，提出一种改进的背景建模算法。这种算法能够如 GMM一样准确地估计像素点上采样值的概率分布，同时能够像Codebook算法一样有 较少的经验参数和实时高效的计算性能。由于传统LBP编码方法受噪声干扰变化较 大，基于 LBP编码在每一位上应该等权的考虑，改变 LBP编码的方式，去掉按位加 权这一步骤，直接利用其二进制编码分析图像的统计特性。提出了基于汉明距离度 量下的直方图统计方法，去除了人为的对二进制码加权的步骤，提高了统计直方图 I 抗干扰的性能，从而能够获得更稳定的匹配性能。 最后，对全文做归纳总结。提出了离线学习和背景建模算相结合起来设计自动 目标检测系统的思路，以减少人工标注样本的工作量，同时提高目标检测系统的广 泛适应性。 关键词：离线学习、背景建模、目标检测、级联分类器、支持向量机 II Abstract Object detection in video or images has been the focus of computer vision, it is also the key technology of intelligent video surveillance system. This study objects to target detection algorithms under the video surveillance system, in order to access a real time and accurate target detection algorithm for intelligent video surveillance system in specific environment. This article contains two modules: (1) The section of off- line machine learning-based target detection. The genery process of target detection method based on machine learning is through a large number of sample s for certain types of objectives to obtain the classification for such objectives, and then use this classifier to detect the objects in images and videos. Machine learning for object