基于視頻的多運(yùn)動(dòng)目標(biāo)識(shí)別技術(shù)研究.pdf

1、本文以運(yùn)動(dòng)的汽車、自行車/摩托車、行人為研究對(duì)象，對(duì)基于視頻的多運(yùn)動(dòng)目標(biāo)識(shí)別技術(shù)進(jìn)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，結(jié)合自適應(yīng)背景更新算法和加權(quán)均值閾值法實(shí)現(xiàn)多運(yùn)動(dòng)目標(biāo)分割，并選擇面積、形狀復(fù)雜度、長(zhǎng)寬比、速度作為運(yùn)動(dòng)目標(biāo)的識(shí)別特征。仿真結(jié)果表明，目標(biāo)分割效果良好，提取的識(shí)別特征具有較好的區(qū)分性。 接著，研究了基于模糊理論的多運(yùn)動(dòng)目標(biāo)識(shí)別。利用模糊C一均值聚類法實(shí)現(xiàn)特征量的模糊化，并分別設(shè)計(jì)了Ma

2、mdani型模糊分類器和Sugeno型模糊分類器來(lái)實(shí)現(xiàn)多運(yùn)動(dòng)目標(biāo)識(shí)別。仿真結(jié)果表明，Sugeno型模糊分類器比Mamdani型模糊分類器的識(shí)別精度高。 然后，研究了基于BP神經(jīng)網(wǎng)絡(luò)的多運(yùn)動(dòng)目標(biāo)識(shí)別。針對(duì)普通BP算法存在的不足，采用彈性BP算法和L-M算法改善網(wǎng)絡(luò)的性能，并分別設(shè)計(jì)了多輸出型BP分類器和單輸出型BP聯(lián)合分類器來(lái)實(shí)現(xiàn)多運(yùn)動(dòng)目標(biāo)識(shí)別。仿真結(jié)果表明，在相同訓(xùn)練指標(biāo)下，單輸出型BP聯(lián)合分類器比多輸出型BP分類器的識(shí)別精度高

3、。 最后，研究了基于自適應(yīng)模糊神經(jīng)網(wǎng)絡(luò)(ANFIS)的多運(yùn)動(dòng)目標(biāo)識(shí)別。分別利用網(wǎng)格分割法和減法聚類法生成ANFIS分類器的初始結(jié)構(gòu)，并采用最小二乘法與BP算法相結(jié)合的混合學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。仿真結(jié)果表明，在相同訓(xùn)練指標(biāo)下，利用減法聚類法生成的ANFIS分類器比利用網(wǎng)格分割法生成的ANFIS分類器訓(xùn)練速度快，識(shí)別精度高。ANFIS融合了模糊系統(tǒng)和神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，具有結(jié)構(gòu)透明、可解釋性好的特點(diǎn)，并擁有較好的自適應(yīng)學(xué)習(xí)能力，其綜合