基于视频的多运动目标识别技术研究

论文摘要

多运动目标识别是智能视频监控系统的一个重要组成部分,也是计算机视觉领域的一个研究热点,对其进行研究有着非常重要的理论意义和应用价值。本文以运动的汽车、自行车/摩托车、行人为研究对象,对基于视频的多运动目标识别技术进行了深入的研究。首先,采用中值合成策略建立初始背景模型,结合自适应背景更新算法和加权均值阈值法实现多运动目标分割,并选择面积、形状复杂度、长宽比、速度作为运动目标的识别特征。仿真结果表明,目标分割效果良好,提取的识别特征具有较好的区分性。接着,研究了基于模糊理论的多运动目标识别。利用模糊C-均值聚类法实现特征量的模糊化,并分别设计了Mamdani型模糊分类器和Sugeno型模糊分类器来实现多运动目标识别。仿真结果表明,Sugeno型模糊分类器比Mamdani型模糊分类器的识别精度高。然后,研究了基于BP神经网络的多运动目标识别。针对普通BP算法存在的不足,采用弹性BP算法和L-M算法改善网络的性能,并分别设计了多输出型BP分类器和单输出型BP联合分类器来实现多运动目标识别。仿真结果表明,在相同训练指标下,单输出型BP联合分类器比多输出型BP分类器的识别精度高。最后,研究了基于自适应模糊神经网络（ANFIS）的多运动目标识别。分别利用网格分割法和减法聚类法生成ANFIS分类器的初始结构,并采用最小二乘法与BP算法相结合的混合学习算法对网络进行训练。仿真结果表明,在相同训练指标下,利用减法聚类法生成的ANFIS分类器比利用网格分割法生成的ANFIS分类器训练速度快,识别精度高。ANFIS融合了模糊系统和神经网络的优点,具有结构透明、可解释性好的特点,并拥有较好的自适应学习能力,其综合性能最佳。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题背景及意义
• 1.2 研究与发展现状
• 1.3 本文研究的主要内容和章节安排
• 第2章 多运动目标分割和特征提取
• 2.1 视频图像的采集及其特点
• 2.2 多运动目标分割
• 2.2.1 背景差分法的原理及常见问题
• 2.2.2 背景模型的建立与更新
• 2.2.3 动态阈值的选择
• 2.2.4 图像的后处理
• 2.2.5 仿真实验及结果分析
• 2.3 多运动目标的特征提取和选择
• 2.3.1 目标特征提取的思想和方法
• 2.3.2 特征数据的归一化及其数据分析
• 2.4 本章小结
• 第3章 基于模糊理论的多运动目标识别
• 3.1 模糊理论概述
• 3.1.1 模糊集合及其隶属函数
• 3.1.2 模糊系统的组成及其工作原理
• 3.2 模糊理论在多运动目标识别中的应用
• 3.3 模糊识别分类器的设计与实现
• 3.3.1 特征量的模糊化及分类规则的生成
• 3.3.2 Mamdani 型模糊分类器的设计与实现
• 3.3.3 Sugenon 型模糊分类器的设计与实现
• 3.4 仿真实验及结果分析
• 3.5 本章小结
• 第4章 基于BP 神经网络的多运动目标识别
• 4.1 BP 神经网络模型及其工作原理
• 4.1.1 BP 神经网络的基本结构
• 4.1.2 BP 神经网络学习算法
• 4.1.3 BP 算法的改进
• 4.2 BP 神经网络在多运动目标识别中的应用
• 4.3 BP 神经网络分类器的设计和实现
• 4.3.1 多输出型BP 分类器的设计与实现
• 4.3.2 单输出型BP 联合分类器的设计与实现
• 4.4 仿真实验及结果分析
• 4.5 本章小结
• 第5章 基于自适应模糊神经网络的多运动目标识别
• 5.1 模糊神经网络概述
• 5.1.1 模糊神经网络的提出
• 5.1.2 模糊神经网络的类型
• 5.2 自适应模糊神经网络（ANFIS）模型及其工作原理
• 5.2.1 自适应模糊神经网络模型
• 5.2.2 自适应模糊神经网络的结构学习
• 5.2.3 自适应模糊神经网络的参数学习
• 5.3 自适应模糊神经网络（ANFIS）分类器的设计和实现
• 5.3.1 基于网格分割法的ANFIS 分类器的设计与实现
• 5.3.2 基于减法聚类法的ANFIS 分类器的设计与实现
• 5.3.3 ANFIS 分类器的实现流程
• 5.4 仿真实验及结果分析
• 5.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 详细摘要