智能视频监控系统中物体遗留检测方法的研究

doi:10.3969/j.issn.1007130X.2010.

J4 ›› 2010, Vol. 32 ›› Issue (6): 118-121.doi: 10.3969/j.issn.1007130X.2010.

智能视频监控系统中物体遗留检测方法的研究

孔英会，张新新，王蕴珠

（华北电力大学电气与电子工程学院，河北保定 071003）

收稿日期:2009-09-15 修回日期:2009-12-17 出版日期:2010-06-01 发布日期:2010-06-01
通讯作者: 张新新 E-mail:xinxin2882@126.com
作者简介:孔英会（1964），女，河北冀县人，博士，教授，研究方向为智能信息处理和视频分析;张新新，硕士生，研究方向为智能信息处理和视频分析。

Research on the Detection of the Objects Left Behind in Intelligent Video Surveillance Systems

KONG Yinghui，ZHANG Xinxin，WANG Yunzhu

（School of Electrical and Electronics Engineering,North China Electric Power University,Baoding 071003,China）

Received:2009-09-15 Revised:2009-12-17 Online:2010-06-01 Published:2010-06-01

摘要/Abstract

摘要：

本文针对智能视频监控中的物体遗留事件检测进行了研究，给出了一套完整的检测方案。多高斯模型用于运动目标检测，其自适应性很好地解决了背景帧不断变化所带来的影响；MeanShift算法用于运动目标的跟踪，使得监控对象不再限于固定区域；目标的七阶不变矩可以很好地描述目标特征，利用这一特征通过支持向量机对目标进行识别。实验结果证明了本文方法的有效性。

关键词: 智能视频监控, 多高斯模型, MeanShift跟踪算法, 支持向量机, 七阶不变矩

Abstract:

The paper studies the detection of the event of the objects left behind in intelligent video surveillance systems,and gives a complete set of test schema. The multipleGaussian model is used for the detection of the moving objects,and its adaptability well solve the impact of changing background frame.The MeanShift algorithm is used for tracking the moving targets,which expands the scope,not only limited scope.The feature of Sevenband Moment Invariants well describe the target, through which support Vector Machine can identify the objects. The experimental results prove the effectiveness of the method.

Key words: intelligent video surveillance;multiple Gaussian model;MeanShift tracking

中图分类号:

TN911.73

孔英会，张新新，王蕴珠. 智能视频监控系统中物体遗留检测方法的研究[J]. J4, 2010, 32(6): 118-121.

KONG Yinghui，ZHANG Xinxin，WANG Yunzhu. Research on the Detection of the Objects Left Behind in Intelligent Video Surveillance Systems[J]. J4, 2010, 32(6): 118-121.

编辑推荐

Metrics

阅读次数

全文

187

HTML			PDF

最新录用	在线预览	正式出版	最新录用	在线预览	正式出版
0	0	0	0	0	187

来源	本网站	其他网站

次数	104	83
比例	56%	44%

摘要

最新录用	在线预览	正式出版

0	0	88

	来源	本网站

	次数	88
	比例	100%

[1]	吕小姣, 张玉梅, 杨红红, 吴晓军, . 基于距离排序的DUPSO-DSVM民歌快速分类算法研究[J]. 计算机工程与科学, 2023, 45(10): 1874-1833.
[2]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(07): 1170-1177.
[3]	唐宇, 代琪, 杨梦园, 陈丽芳, . 改进麻雀搜索算法优化SVM的异常点检测[J]. 计算机工程与科学, 2023, 45(02): 346-354.
[4]	仲臣, 余学祥, 邰晓曼, 韩雨辰, 肖星星, 刘清华, . 萤火虫算法优化支持向量机室内定位研究[J]. 计算机工程与科学, 2022, 44(11): 1968-1975.
[5]	马汉达, 朱敏. 改进SVM不平衡数据分类的IGWOSMOTE方法[J]. 计算机工程与科学, 2022, 44(06): 1133-1140.
[6]	韦修喜1，黄华娟1，周永权1,2. 基于AP聚类的约简孪生支持向量机快速分类算法[J]. 计算机工程与科学, 2019, 41(10): 1899-1904.
[7]	王云艳1,2，罗冷坤1，王重阳1. 基于流形学习的光学遥感图像分类[J]. 计算机工程与科学, 2019, 41(07): 1212-1219.
[8]	冯璋，裴东,王维. 基于改进灰狼算法优化支持向量机的人脸识别[J]. 计算机工程与科学, 2019, 41(06): 1057-1063.
[9]	崔建双，车梦然. 基于多分类支持向量机的优化算法智能推荐系统与实证分析[J]. 计算机工程与科学, 2019, 41(01): 153-160.
[10]	田勋，汪西莉. 基于聚类标签均值的半监督支持向量机[J]. 计算机工程与科学, 2018, 40(12): 2265-2272.
[11]	颜学龙，龚流青，汪斌斌. 基于DCQGA-SMKL-SVM的模拟电路故障诊断方法[J]. 计算机工程与科学, 2018, 40(11): 1944-1950.
[12]	张和杰,马维华. 基于贴近度等级的链路质量评估方法[J]. 计算机工程与科学, 2018, 40(11): 1991-1999.
[13]	王志华,罗齐,刘绍廷. 基于混沌灰狼优化算法的SVM分类器研究[J]. 计算机工程与科学, 2018, 40(11): 2040-2046.
[14]	邱云飞，李智义. 改进人工鱼群算法在SVM参数优化中的应用[J]. 计算机工程与科学, 2018, 40(11): 2074-2079.
[15]	任胜兵，廖湘荡. 基于代价敏感支持向量机的软件缺陷预测研究[J]. 计算机工程与科学, 2018, 40(10): 1787-1795.

智能视频监控系统中物体遗留检测方法的研究

Research on the Detection of the Objects Left Behind in Intelligent Video Surveillance Systems

PDF

可视化

摘要/Abstract

引用本文

使用本文

相关文章 15

编辑推荐

Metrics

本文评价