《智能视频监控中的目标检测技术研究》由会员分享，可在线阅读，更多相关《智能视频监控中的目标检测技术研究（89页珍藏版）》请在金锄头文库上搜索。
1、华中科技大学硕士学位论文智能视频监控中的目标检测技术研究姓名：陈景东申请学位级别：硕士专业：模式识别与智能系统指导教师：桑农2010-01-20I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
2、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（H a a r 和 H O G ）的计算方法，介绍支持向量机（S V M ）和 A d a b o o s t学习算法的基本原理。通过实验具体分析 H a a r 、H O G 特征提取算法与 S V M 、A d a b o o s t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（G M M ） 、码书（C o d e b o o k ）以及基于纹理的背景建模（L
3、 B P ）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（G M M ）和码书（C o d e b o o k ）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G M M一样准确地估计像素点上采样值的概率分布，同时能够像 C o d e b o o k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 L B P编码方法受噪声干扰变化较大，基于 L B P编码在每一位上应该等权的考虑，改变 L B P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
4、步骤，提高了统计直方图II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 IIIAbstract Object detection in video or images has been the focus of computer vision, it is also the key technology of intelligent video surveillance system
5、. 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 l
6、earning- based target detection. The genery process of target detection method based on machine learning is through a large number of samples 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. Mac
7、hine learning for object detection process is more similar to human understanding and awareness of the external environment. In this section, the main research is off- line learning algorithms for target detection under certain conditions. We will introduce two features (Haar and HOG) and the the ba
8、sic principles of Support Vector Machine (SVM) and Adaboost. For the sake of designing a rapid and accurate target detection system, we need to analysis the best combination of feature extraction methods and learning algorithms. (2) The part of target detection by the background modeling. In this se
9、ction we briefly introduce the basic principles of Gaussian mixture model (GMM), code book (Codebook), and based on the texture based background modeling algorithm(LBP). We will analysis the advantages and disadvantages of the three classic algorithms with experiments. Combining the framework of GMM
10、 and Codebook, we design a new background model algorithm. This algorithm can estimate the probability distribution of its pixel by the sample value as accurately as GMM, while having no experience parameters and computing in real- time as the Codebook. Because the traditional LBP IVmethod is sensit
11、ive to the noise, w e remove the by- bit weighted step and directly use binary LBP code to get the statistical properties of image. We design a new histogram based on Hamming distance, which can make the matching performance more stable. Finally, we summarize the full text, and propose a idea of com
12、bining off- line learning and background modeling to design an automatic target detection system. This system can reduce the workload of manually labeled samples, while increasing adaptability of video surveillance system in a wide range. Key words: Off- line learning, Background modeling, Target de
13、tection, Cascade classifier, Support vector machines 独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体， 均已在文中以明确方式标明。 本人完全意识到本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借
14、阅。本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 保密， 在 年解密后适用本授权书。 不保密。 （请在以上方框内打“” ） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 本论文属于 11 绪论 图像以及视频序列中的目标检测一直是计算机视觉研究领域的重点，尤其是在中等尺度目标（人眼能够明显观察到，在画面中占有恰当比例的目标） 。检测方面。随着近年来人们安全防卫意识提高，以及公共安全领域的迫切需求，视频监控设备越来越普及。据市场调查，在目前的监控设备市场上 70%的设备是视频监控设
15、备。我们生活的周围遍布着摄像头，硬盘录像机（DVR）迅速普及。然而现在国内市场上的视频监控设备多数却是一堆 DVR的集合，监而不控，针对异常情况或一些紧急情况并不能及时报警。随着技术的成熟和用户需求的提高，智能视频监控行业正迅猛的发展。这里的“智能视频监控”是将计算机视觉的理论应用到视频监控领域，对摄像头获取到的图像序列作智能的分析，以降低保卫人员的工作量，并提高系统安全防卫性能。 1.1 研究背景 在智能监控系统中，目标检测是一个重要的基础模块。准确的检测到需要监控的目标为上层的应用（如行为分析）提供坚实的基础。目标检测的准确性关系到整个智能监控系统的整体性能。近年来很多学者将统计学习理论应
16、用于智能监控领域获得了诸多成果1 2。 统计机器学习基于现代统计学原理研究计算机模拟人类的学习行为。它主要使用的是归纳、综合的方法而不是演绎，它是人工智能的核心。机器学习的前提是：将来，至少是不远的将来，情况不会与收集样本时有很大的不同，即未来的预测也有望是正确的。随着现代统计学理论的发展，尤其是有限样本下的统计分析理论的完善，使得机器学习有了坚实的理论基础。 本文主要研究两种不同的目标检测思路：基于统计学习的目标检测和基于背景建模的目标检测，在实验的基础上探讨特定环境下智能视频监控系统的设计。 21.2 国内外研究现状 对于种等尺度目标的检测，一直是计算机视觉领域的热点，国内外的学者近年来提出了大量的方法。综合起来可以将其分为如下几类： （1）基于特征点的目标检测算法 点检测的方法是一中直观的检测方法，其思路是通过检测图像中目标的特征点，通过与已知目标特征点的匹配建立对应关系，从而实现目标的检测。特征点指的是图像中有着复杂结构的像素点，当图像发生局部或全局的扰动时，如图
