基于SVM邻域学习视频目标检测方法.docVIP

基于SVM邻域学习视频目标检测方法 　　摘 要： 针对传统SVM普通学习模型无法适应视频中目标姿态变化、有遮挡或复杂背景的局限性，提出一种新的SVM邻域学习模型。邻域学习是基于视频相邻帧在时间和空间上的高度相关性，每个测试帧在其相邻帧上抽取训练数据进行SVM模型的学习与更新，随着视频的更新，SVM模型将不断更新来适应目标检测的各种变化。通过大量样本在各种复杂环境下实验，采用统计学分析结果，证明SVM邻域学习比传统SVM普通学习准确率更高、鲁棒性更好。 　　关键词： SVM模型； 邻域学习； 视频目标检测； 统计学分析 　　中图分类号： TN948.6?34 文献标识码： A 文章编号： 1004?373X（2017）14?0095?04 　　Abstract： Since the common learning model of traditional support vector machine （SVM） can′t adapt to the change target posture in video， and is limited with occlusion or complex background， a new SVM neighborhood learning model is proposed. The neighborhood learning is based on the high correlation of video adjacent frame both in time and space. The training data of each testing frame is extracted from its adjacent frame to learn and update the SVM model. With the updating of the video， the SVM model is updated continually to adapt to the changes of target detection. A large number of samples were experimented in complex environment. The statistics is used to analyze the results to verify that the SVM neighborhood learning has higher accuracy and better robustness than the traditional SVM common learning. 　　Keywords： SVM model； neighborhood learning； video target detection； statistics analysis 　　0 引 言 　　目标检测是模式识别、运动图像编码、智能监控等研究领域的重点和难点，在经济、工业和军事等领域有着广阔的应用前景。目前目标检测方法主要有帧间差分法、光流法、背景减除法等。帧间差分法计算简单、适应能力强，但检测结果内部容易产生空洞现象[1?2]。光流法计算复杂、运算量大，很难满足实时性的要求[3?4]。背景减除法算法易实现，但对外部动态场景变化非常敏感[5]。目标跟踪分为在线跟踪和离线跟踪，Kalal等在TLD在线跟踪中提出了自适应校准跟踪模型[6]，它通过在线学习机制可以不断更新检测模块以及跟踪模块的有关参数，很适合目标的跟踪，但当可形变目标在具有背景相似的环境中跟踪效果不理想。传统支持向量机（Support Vector Machine，SVM）在解决目标检测问题中很有优越性，但依然无法很好适应目标姿态发生变化、被遮挡或者复杂背景下的目标检测，对此，提出一种适用性更强的SVM邻域学习模型来提升检测效果。 　　1 支持向量机和K?means算法 　　1.1 支持向量机 　　支持向量机是一种具有强大非线性处理能力的高效分类器，SVM解决分类问题时系统结构简单，不?H保证了分类器较好的鲁棒性，还可以得到全局最优解，普适性很强。引入核函数可以将线性SVM推广到非线性SVM，对高维样本几乎不增加额外的计算量，能很好地解决维数灾难问题。SVM 的核心思想是寻找一个满足分类要求的最优分类超平面[7?8]， 该超平面在满足分类精度的同时，使得分类间隔最大化。 　　目标检测问题可以简化为一个二分类问题[9]，给定分类样本集为：，设超平面方程为： 　　1.2 K?means算法 　　K?means聚类算法是一种基于样本间相似性度量的无监督聚类方法。算法首先由实验者给定所要聚类的种类，并