基于监控视频的前景目标提取研究：算法与应用

支持向量机算法-基于监控视频的前景目标提取 摘要：本文研究了基于监控视频的前景目标提取算法，针对静态背景、动态背景和摄像头晃动或偏移下的视频前景目标提取问题，分别采用帧差法、平均背景差法、ViBe算法、混合高斯模型和优化的ViBe算法进行实验，并对实验结果进行对比分析。 支持向量机算法是机器学习领域中的一种常用算法，在计算机视觉和图像处理领域应用广泛。本文中，我们将支持向量机算法应用于基于监控视频的前景目标提取中，提出了一种基于支持向量机的前景目标提取算法。 一、静态背景下的前景目标提取 静态背景下的前景目标提取是计算机视觉研究中非常重要的一部分。静态背景下只有前景目标在运动，而背景仅存在微小的变化或没有变化。现有的静态背景下运动目标检测算法按照基本原理的不同可以分为三大类：背景减除法、帧间差分法、光流法。 在本文中，我们采用帧差法、平均背景差法、ViBe算法进行静态背景下的视频前景提取实验，并对实验结果进行对比分析。实验结果表明，ViBe算法由于效果优于常用的几种算法，成为研究运动目标提取的新方法。 二、动态背景下的前景目标提取 动态背景下的背景和前景目标同时在运动，相对于静态背景来说，这提供了更加丰富的信息量，但是也为运动目标的检测工作带来了更大的挑战。在本文中，我们分别采用混合高斯模型的运动目标检测算法和优化的ViBe算法对动态背景下的视频进行前景目标提取，并对比分析了其实验结果。 三、摄像头发生晃动或偏移下的前景目标提取 摄像头在实际拍摄的过程中难免会发生晃动或偏移，这就造成了拍摄出来的视频会有抖动。因此，为了去除视频的抖动影响，需要根据原视频产生经过运动补偿过的视频序列。这种方法关键就在于怎样利用帧间的信息来得出当前帧的全局运动参数。 在本文中，我们采用RANSAC算法来计算帧的全局运动参数，进而去除视频的抖动，并利用此方法在典型监控视频中验证了其有效性。 四、总结 本文研究了基于监控视频的前景目标提取算法，针对静态背景、动态背景和摄像头晃动或偏移下的视频前景目标提取问题，分别采用不同的算法进行实验，并对实验结果进行对比分析。实验结果表明，提出的算法在基于监控视频的前景目标提取中具有良好的效果。