智能视频监控中的目标检测技术研究

论文摘要

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。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.3 本文的研究内容及结构
• 2 机器学习中具有重要指导意义的准则
• 2.1 偏差-方差折中准则
• 2.2 结构风险最小化
• 3 基于离线学习的目标检测技术
• 3.1 基于离线学习的目标检测的基本步骤
• 3.2 特征提取
• 3.3 多类分类器设计
• 3.4 SVM 在目标检测中的应用
• 3.5 Adaboost 在目标检测中的应用
• 3.6 嵌入式平台下的目标检测
• 3.7 本章小节
• 4 基于背景建模的目标检测技术
• 4.1 GMM、Codebook 及LBP 在目标检测上的对比分析
• 4.2 自适应混合高斯模型
• 4.3 基于汉明距离度量的LBP 编码
• 4.4 基于感兴趣区域的背景建模
• 4.5 小结
• 5 总结与展望
• 5.1 研究工作总结
• 5.2 本文的创新之处
• 5.3 进一步研究展望
• 致谢
• 参考文献
• 附录1 攻读学位期间取得的成果