智能视觉监控中的人车分类.pptVIP

研究背景： 研究意义： 研究内容： * 智能视觉监控中的人车分类 智能视觉监控概述 1 本文目标分类研究 2 基于形状特性的特征提取 3 贝叶斯决策理论 4 实验内容及其结果 5 目录 一、智能视觉监控概述 监控 视觉 智能 智能 视觉 监控 人工智能领 域研究热点 计算机视觉领域新型的应用研究方向 国家安防的研究重点 引言 1 当今社会信息的高度密集化、复杂化 2 人们所面临的突发事件、异常事件越来越多 3 传统的人力视频监控已经达不到实时处理突发事件的目的 1 节省大量的人力、物力资源 2 具有极其重要的实践意义，蕴藏巨大的市场价值 3 为计算机视觉和其它领域的研究提供理论上的借鉴 1 运动目标的检测 2 运动目标的跟踪 3 运动目标的分类 4 运动目标的行为理解 二、本文目标分类技术研究 技术 分类 目标 智能 视觉 监控 智能视觉监控研究中的中级处理部分 以目标检测与跟踪技术为前提 是目标行为理解的前提 简介 获取视频图像序列 目标检测与跟踪 输入视频数据 目标分类器的设计 对前景目标的特征提取与选择 分类结果 背景建模 目标分类技术流程： 对目标进行特征提取与选择： 首先从检测到的运动目标前景图中提取出有效前景区域，让后对目标的多维特征进行提取并选择出较合适的特征量组成分类器的输入特征空间 本次研究侧重点： 分类器的设计： 根据目标特性并结合对目标所选取的特征向量来选择合适的分类算法，并构造相应的分类器以对输入的目标特征向量做出准确的决策分类 本次研究侧重点： 行 人 汽 车 自行车 三、基于形状特性的特征提取 常用形状特征 面积 周长 圆形度 长宽比 占空比 图像矩 本文中提取到的目标前景区域： 面积 1.定义前景图中目标区域内的总像素个数为目标 面积A，它具有简单、直观的特点 2.面积特征不具备缩放不变性的特点 周长 1.定义前景图中目标轮廓图像内的总像素个数为 目标的周长P，它也具有简单、直观的特点 2.和面积特征一样，它也不具备缩放不变性的特 点 A/P2 1.A/P2为目标面积与周长的平方比，它是为了 克服目标面积和周长不具备缩放性而定义的一 种特征 2.该特征具备平移、旋转、缩放不变性 以下为本文选用的目标形状特征： 占空比 1.定义为前景图中目标区域的面积与目标外接矩形的面积 之比 2.该特征具备平移和旋转不变性 长宽比 1.定义目标外接矩形的长跟宽的比为该目标的长宽比 2.虽然此特征能很好的描述目标的形状信息，但当目标旋 转时该特征值将发生变化，从而影响对目标描述的准确 性 惯性主 轴方向 1.惯性主轴方向被定义为最小惯性轴与X轴的夹角，它用 来描述目标的延伸方向 2.此特征和长宽比一样不具备选择不变性，但对目标的平 移和缩放却有一定鲁棒性 惯性主轴方向： 惯性主轴 方向的定义[1] 如左图所示，目标的惯性矩定义为 ： 而惯性主轴方向定义为惯性矩I( )为最小方向时 ，故而要对上式求导来获得求最小值时的 值即为目标的惯性主轴方向： 惯性主轴方向： 上述表达式的解有两个： 为区分上式中哪个是最小值点，故对I( )求二阶导得： 分别将 、 的值带入上式中，if 0,则惯性主轴方向 = ，if 0,则 = . 1.基于最小错误率的最小贝叶斯决策 2.假设目标的类条件概率是符合正态分 布的 3.假设目标的每个特征之间是不相关的 智能 视觉 监控 前 提 一 前 提 二 决策规则 决策分类的类别数是一定的 各类别特征量的概率分布是已知的 贝叶斯理论 四、基于贝叶斯理论的分类器设计 基于最小错误率的贝叶斯决策[2] 利用下面的贝叶斯公式便可以确定状态的后验概率： ：类条件概率 后验概率： 贝叶斯公式： 目标特征的类条件概率分布： 基于最小错误率的贝叶斯决策： 决策规则为： 其等价形式为： 此决策所造成的错误率为： 上式错误率用图形表示即为左图所示： 正态分布下的决策式： 样本不相关时的表达式： ：多维正态分布 不相关时： 此时的决策规则： 多维正态分布表达式为： 当输入某一目标的特征量 后，将其分别带入 、 ….. 中，选择所得结果最大的相应