智能视频监控技术的架构与特征

　　目标分类的目的是从检测到的运动区域中将特定类型物体的运动区域提取出来，例如分类场景中的人、车辆、人群等不同的目标。根据可利用信息的不同，目标分类可以分为基于运动特性的分类和基于形状信息的分类两种方法。基于运动特性的识别利用目标运动的周期性进行识别。受颜色、光照的影响较小。基于形状信息的识别利用检测出的运动区域的形状特征与模板或者统计量进行匹配。

　　(1)基于形状信息的分类

　　基于形状信息的分类是利用检测出的运动区域的形状特征进行目标分类的方法。例如VSAM采用区域的分散度、面积、宽高比等作为特征。利用三层神经网络方法将运动目标划分为人、人群、车和背景干扰;Lipton等利用分散度和面积信息对二维运动区域进行分类，主要是区分人、车及混乱扰动，时间一致性约束使其分类更加准确;Kuno与Watanabe使用简单的人体轮廓模式的形状参数从图像中检测运动的人。

　　(2)基于运动特性的分类

　　基于运动特性的分类是利用人体运动的周期性进行目标分类的方法。例如Cutler与Davis通过跟踪感兴趣的运动目标，计算出目标随着时间变化的自相关特性，而人的周期性运动使得其自相关也是周期性的，因此通过时频化方法分析目标是否存在周期性的运动特性而将人识别出来;Lipton通过计算运动区域的残余光流来分析运动实体的刚性和周期性，非刚性的人的运动相比于刚性的车辆运动而言具有较高的平均残余光流，同时它也呈现了周期性的运动特征，据此可以将人区分出来。目标识别是系统对之前提取并跟踪的目标进行识别和辨识。要想让系统具有目标识别和辨识能力，需要对系统进行模型训练。就是利用已知的目标特征(如车辆、人员、动物等)，对系统进行训练，系统将会在大量已知的样本信息上了解、学习不同目标的特征(大小、颜色、速度、行为方式等)，这样当系统发现一个目标时，系统将自动与已经建立好的模型进行比对或匹配特征，从而对目标进行识别和分类。

声明:

凡文章来源标注为"CPS中安网"的文章版权均为本站所有，如需转载请务必注明出处为"CPS中安网"，违反者本网将追究相关法律责任。非本网作品均来自互联网，转载目的在于传递更多信息，并不代表本网赞同其观点和对其真实性负责。