视频监控系统中运动目标识别方法研究

行人属于细长目标，长宽比小；摩托车／自行车的长宽比大；车辆的长宽比一般也比较大，但是货
车、加长的车、大型巴士的长宽比会小一点。
（4）速度 v ：考虑到采集的图像时间间隔很小，故可以近似认为目标在极短时间内的运动轨迹
是直线，可以利用目标重心的实际位移和时间间隔来计算目标的运动速度。速度特征具有很好的区
S = 0.43mn+0.12n2 +2.54m+0.77n+0.35+0.51 （4）
式中： S 为隐层节点数， m 为输入层节点数， n 为输出层节点数。输入层神经元节点数等于输入特
征矢量的维数，输出层节点数由识别的类别数决定。最后确定BP网络的拓扑结构为4－5－3。网络的 传输函数均选用非线性S型函数Sigmoid函数，以完成输入模式到输出模式的非线性映射。
小值和最大值。
2
3 模糊识别
对车辆、摩托车／自行车、行人这三类运动目标而言，每一类都包含繁多的个体，不同类的个 体之间由于结构、型号的不同存在一定的差异性，同类个体在某些方面又具有一定的相似性。因此 提取的特征信息可能存在不精确性、不完整性和不完全可靠性。采用模糊识别方法可以对提取的特 征信息进行融合，提高抗干扰力。
分性，行人的速度很慢，摩托车／自行车的速度较快，汽车的速度很快。
提取的特征参数由于量纲不同导致它们之间不具有可比性，故在识别前先用如下所示效用函数
对特征参数进行归一化处理，将其转化成为[0 1]区间的无量纲值。
x ' = x − xmin xmax − xmin
（1）
式中： x' 是归一化后的特征值， x 是输入的某一特征分量， xmin 和 xmax 分别指所采集特征分量的最
视频监控系统中运动目标识别方法研究
兰利宝，董慧颖，高岚
（沈阳理工大学信息科学与工程学院 沈阳 110168）
摘 要：运动目标识别是对场景实现有效视频监控的必要环节。本文结合自适应背景更新算法和加权增强阈值选择 方法有效地分割运动目标，选用区分性好且易于提取的面积、复杂度、长宽比、速度作为目标的识别特征。采用模 糊识别方法和 BP 神经网络识别方法对利用静止的摄像机从高处俯视采集的目标进行仿真，其结果表明：两种方法均 具有较高的识别率，分别为 94.58%和 98.75%；BP 神经网络识别方法识别率较模糊识别方法高，但模糊识别方法运算 简单、识别速度快。 关键词：运动目标分割；特征提取；模糊识别；BP 神经网络识别
/
0.24
v
中心
0.85
0.36
0.05
宽度
0.3
0.2
0.1
（3）模糊规则的生成
对各类目标的特征数据进行分析，并且结合对车辆、行人、自行车/摩托车这三类目标的经验知
识，归纳出表 2 所示六条简单有效的模糊推理规则。表中目标 1 是车辆，目标 2 是自行车/摩托车，
目标 3 是行人。
表 2 模糊规则表
(2)选择一定的学习算法用训练样本集对网络进行训练，使网络的实际输出与理想输出满足一定 的误差范围。
Levenberg-Marquardt算法是梯度下降法和牛顿算法的结合，与其他的BP学习算法相比其收敛速 度最快，训练效果最好 。 [6]
(3)将已知数据样本分为训练集和检验集两部分，训练样本集用于对神经网络进行训练，检验样 本集用于对训练好的网络进行检验。
(a)
(b)
(c)
(d)
图 1 标分割
2.2 特征提取及分析
特征提取是目标分割和目标识别之间的桥梁, 选择一组少而精的分类特征是实时运动目标识别
的关键步骤。充分考虑三类运动目标的特点后，提取以下四个特征：
（1）目标面积 A ：理想状态下，目标的面积大小与其实际大小成正比，但受拍摄距离和角度的
影响，目标的成像大小会与实际大小有些差别。对同一场景下拍摄的视频序列图像，车辆的面积一
1 引言
视频监控系统是图像处理、人工智能、模式识别、计算机技术的综合应用，在近二十年里得到 了很大的发展。对路段进行视频监控能及时掌握准确的交通信息，当交通目标发生违规行为时自动 做出判断和响应，能大大减少人的工作量。目前的交通视频监控系统主要针对车辆的检测和识别， 往往对行人、自行车/摩托车不加考虑，对车辆、行人、自行车/摩托车的识别研究很少。
车辆、摩托车／自行车、行人的识别分类是一个复杂的过程，传统的模板匹配识别方法计算量 大，很难满足实时有效的监控要求。模糊识别方法最大的优点就是建模简单、计算量小,能够充分利 用各个特征的特点实现目标信息的有效融合。人工神经网络具有很强的自组织、自学习能力,对网络 进行充分的训练和学习后，就可以用它对未学习过的模式进行快速、准确的识别[1,2]。两种方法都具 有较强的抗干扰能力。
基金项目：国防预研课题：基于多模信息融合的目标识别技术和跟踪技术研究. 作者简介：兰利宝（1982－），女，湖南，硕士研究生，主要研究图像处理、模式识别
联系电话：13840521846，通讯地址：辽宁沈阳理工大学 2005 级研究生 3 班，邮编：110168； Email: fantasy8819@
规则
A
C
r
v
目标
R1
大
小
大
快
目标 1
R2
大
小
大
中
目标 1
R3
小
中
大
中
目标 2
R4
小
中
大
慢
目标 2
R5
小
大
小
慢
目标 3
3
R6
小
中
小
慢
目标 3
（4）基于规则的模糊推理实现
采用Mamdani模糊蕴含最小运算和最大-最小合成法，依据模糊规则进行推理，得到输出量的模糊
集合 C ' 为：
6
U C ' =
C
' i
隶属函数中心利用模糊C均值聚类得到。隶属函数宽度由隶属函数中心和相邻模糊子集的临界分界
点之间的距离决定。最后得到的各个隶属函数参数如表1。
表 1 隶属函数参数表
特征
参数
大
中
小
中心
0.7
A
宽度
0.55
/
0.05
/
0.15
中心
0.89
0.44
0.09
C
宽度
0.2
0.2
0.2
r
中心
0.75
宽度
0.4
/
0.11
为提高运算速度，先用简单的特征组合对易于识别的目标进行判决。货车、加长车、大型巴士往 往具有面积特别大且速度较快的共同特点，当目标同时满足这两个条件时直接输出目标类型为车辆。 另外，当目标的形状复杂度特别大，且速度特别慢时，目标类型直接输出为行人。对于不满足初次 判决条件的目标，用模糊识别方法来实现，其主要过程为：
Research on moving object recognition algorithms in video-based
monitoring system
LAN Li-bao ，DONG Hui-ying ，GAO Lan
（ School of Information Science and Engineering, Shenyang Ligong University, Shenyang 110168, China） Abstract: Moving object recognition is a necessary step in video-based monitoring system. Self-adaptive background update algorithm combining with the weighted enhanced threshold selection method can segment the moving objects effectively. We choose area, shape complexity, length-width ratio, velocity as recognition features because of their easy extraction and good distinction. Fuzzy recognition algorithm and BP neural network recognition method are used to acquisit objects identity. The experiment results show that both methods have a high recognition rate. The rates were 94.58% and 98.75% respectively. The recognition rate of BP neural network method is higher. But fuzzy recognition algorithm is easier and faster. Key words: segmentation of moving object; feature extraction; fuzzy recognition; BP nueral network recognition
（1）输入归一化特征向量 X = (x1, x2 , x3 , x4 )
（2）特征向量的模糊化 每个特征分量采用高斯型隶属函数表述，因为它具有光滑平稳的过渡特性，能很好的表述模
糊的概念。其表达式为：
μ (x) = exp(− x − c )2 （2） σ
式中 x 是输入的特征分量， c 是隶属函数中心，σ 是宽度， μ(x) 是输入特征分量的隶属度。
般要比行人、自行车/摩托车大很多。
（2）形状复杂度 C [5]：在平面图像中，该特征具有目标平移、旋转、伸缩不变的性质，能够较