復(fù)雜背景視頻中目標檢測的特征提取與分類算法研究.pdf

1、復(fù)雜背景視頻序列中微動目標的特征提取與分類算法研究，在運動目標的檢測與提取的研究領(lǐng)域中，有著十分重要的地位。在對該領(lǐng)域的研究中，已有的算法大多是基于運動特征或能量等對前后幀存在關(guān)聯(lián)關(guān)系的視頻進行研究，而對微動目標的分割與提取的相關(guān)算法研究較少，本文將研究微動目標的分割與提取算法，具有重要的理論意義和應(yīng)用價值。
　　 本文研究復(fù)雜背景視頻中目標檢測的相關(guān)技術(shù):復(fù)雜背景視頻中的目標特征提取技術(shù)和目標特征分類技術(shù)，以及基于這些技術(shù)下的

2、系統(tǒng)驗證和性能分析，主要工作包括:
　　 ①本文對基于復(fù)雜視頻背景中的目標檢測的特征提取與分類算法下的目標檢測與分割提取算法的國內(nèi)外研究現(xiàn)狀進行闡述，描述特征提取與分類算法的一些理論概念和原理，并進行分析總結(jié)。
　　 ②本文對特征的提取算法進行深入研究，對基于邊緣特征和基于SURF算法的圖像特征提取技術(shù)分別進行研究和分析，并總結(jié)兩種算法性能，提出適合本文研究需要的基于邊緣特征的目標提取算法。
　　 ③本文對特征的

3、分類算法進行深入的研究，對基于K-means算法和Adaboost算法進行原理分析和算法的流程設(shè)計，根據(jù)算法的特性，提出基于K-means和Adaboost算法的特征分類算法，使得既能滿足處理時間效率的要求又能夠防止閉合區(qū)域等孔洞現(xiàn)象，達到性能效果上的可行性。
　　 ④本文對多線程下復(fù)雜背景視頻中目標檢測與提取系統(tǒng)進行了研究和設(shè)計，使得在時間處理上能夠得到有效提高，同時能夠滿足并發(fā)要求。最終設(shè)計并要實現(xiàn)復(fù)雜視頻背景中微動目標的檢