支持向量机在视频运动目标分析中的应用

J4 ›› 2013, Vol. 51 ›› Issue (01): 107-110.

支持向量机在视频运动目标分析中的应用

邢吉生¹, 杨礼², 尚祖飞³, 浦铁成¹, 牛国成¹, 于哲舟⁴

1. 北华大学电气信息工程学院, 吉林吉林 132021;2. 中国科学院长春光学精密机械与物理研究所光学系统先进制造技术重点实验室, 长春 130033|3. 黑龙江大学电子工程学院| 哈尔滨 150080|4. 吉林大学计算机科学与技术学院, 长春 130012

收稿日期:2011-12-16 出版日期:2013-01-26 发布日期:2013-01-31
通讯作者: 于哲舟 E-mail:yuzz@jlu.edu.cn

Application of Support Vector Machine inVideo Moving Target Analysis

XING Jisheng¹, YANG Li², SHANG Zu\|fei³, PU Tiecheng¹, NIU Guocheng¹, YU Zhezhou⁴

1. College of Electrical &|Information Engineering, Beihua University, Jilin 132021, Jilin Province, China;2. Key Laboratory of Optical System Adva
nced Manufacturing Technology, Changchun Institute of Optics,Fine Mechanics and Physics, Chinese Academy of Sciences, Changchun, 130033, China|3. College of Electronic Engineering, Heilongjiang University, Harbin 150080, China;4. College of Computer Science and Technology, Jilin University, Changchun 130012, China

Received:2011-12-16 Online:2013-01-26 Published:2013-01-31
Contact: YU Zhezhou E-mail:yuzz@jlu.edu.cn

摘要/Abstract

摘要：

提出一种基于支持向量机的运动目标分类方法. 先将支持向量机引入分析视频运动目标中, 再在视频中筛选出简单有效的组合特征对目标进行分类. 该方法先使用混合Gauss背景模型提取前景运动目标, 获取目标的形状特征和运动特征, 再利用支持向量机对样本数据进行训练, 得到最优决策函数. 实验结果表明, 利用支持向量机和运动目标特征组合的方法进行运动目标分析实用、有效.

关键词: 支持向量机, 视频运动目标, 特征提取, 分类器

Abstract:

Support vector machine was introduced into the analysis of moving objects, simple and effective combination of extracted target features was performed for the classification of moving objects. We used Gaussian mixture background model to detect moving objects, from which shape features and movement features were extracted. Support vector machine was adopted to obtain the optimal decision function via training marked sample data. The experiment shows that the analysis of moving targets via support vector machine and moving object feature combination is effective.

Key words: support vector machine, moving object detection, feature extraction, classifier

中图分类号:

TP391.4

邢吉生, 杨礼, 尚祖飞, 浦铁成, 牛国成, 于哲舟. 支持向量机在视频运动目标分析中的应用[J]. J4, 2013, 51(01): 107-110.

GENG Ji-Sheng, YANG Li, CHANG Jie-Fei, PU Tie-Cheng, NIU Guo-Cheng, XU Zhe-Zhou. Application of Support Vector Machine inVideo Moving Target Analysis[J]. J4, 2013, 51(01): 107-110.

[1]	聂逯松, 常方圆, 常学智, 刘畅, 金有为, 刘国晟, 付加胜, 韩霄松. 一种新型的自适应多核学习算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1212-1218.
[2]	刘桂锋, 于绍楠, 崔璐. 一种基于集成学习策略的单细胞转录组数据集成分类算法[J]. 吉林大学学报(理学版), 2021, 59(5): 1252-1255.
[3]	曾宏志, 史洪松. 半监督技术和主动学习相结合的网络入侵检测方法[J]. 吉林大学学报(理学版), 2021, 59(4): 936-942.
[4]	李永丽, 王浩, 金喜子. 基于随机森林优化的自组织神经网络算法[J]. 吉林大学学报(理学版), 2021, 59(2): 351-358.
[5]	杨舒涵, 李博, 周丰丰. 基于机器学习的跨患者癫痫自动检测算法[J]. 吉林大学学报(理学版), 2021, 59(1): 101-106.
[6]	刘颖, 杜星秋, 温东欣, 唐伟宁, 张洪明. 基于TLSmote-SVM的非均衡用户窃漏电诊断算法[J]. 吉林大学学报(理学版), 2021, 59(1): 136-142.
[7]	李健, 姜楠, 宝音巴特, 张帆, 张伟健, 王薇. 空间颜色聚类算法及其在图像特征提取中的应用[J]. 吉林大学学报(理学版), 2020, 58(3): 627-633.
[8]	杨健, 杨超宇, 李慧宗. 基于二维离散小波的生成图像鉴别方法[J]. 吉林大学学报(理学版), 2019, 57(3): 619-626.
[9]	朱超平, 任继平. 基于智能优化算法的物联网异构数据融合方法[J]. 吉林大学学报(理学版), 2019, 57(3): 627-632.
[10]	刘淑琴. 基于LTCP特征的计算机生成图像鉴别算法[J]. 吉林大学学报(理学版), 2019, 57(2): 393-398.
[11]	方秋莲, 王培锦, 隋阳, 郑涵颖, 吕春玥, 王艳彤. 朴素Bayes分类器文本特征向量的参数优化[J]. 吉林大学学报(理学版), 2019, 57(06): 1479-1485.
[12]	周水生, 姚丹. 一种改进的LSTSVM增量学习算法[J]. 吉林大学学报(理学版), 2018, 56(4): 909-916.
[13]	杨永强, 李淑红. 最小二乘支持向量机的点云数据孔洞修补算法[J]. 吉林大学学报(理学版), 2018, 56(3): 692-696.
[14]	刘钢, 王慧, 王新颖. 基于改进的稀疏降噪自编码网络的三维模型识别方法[J]. 吉林大学学报(理学版), 2018, 56(3): 669-675.
[15]	徐中宇, 苏明玉, 姚庆安. 基于改进PSO算法的混合核SVM算法[J]. 吉林大学学报(理学版), 2018, 56(3): 625-630.