本文關(guān)鍵詞：室內(nèi)視頻監(jiān)控中的香煙煙霧識(shí)別的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：香煙煙霧對(duì)人的身體健康存在嚴(yán)重威脅,國(guó)家衛(wèi)生計(jì)生委已將《公共場(chǎng)所控?zé)煑l例》草案上報(bào)國(guó)務(wù)院。而對(duì)于香煙煙霧識(shí)別問題的研究所面臨的挑戰(zhàn)主要來自于香煙煙霧對(duì)環(huán)境條件的敏感性,以及香煙煙霧視頻數(shù)據(jù)集在數(shù)量和質(zhì)量上的有限性。因此,視頻監(jiān)控中香煙煙霧識(shí)別的研究,有著非常重要和深遠(yuǎn)的意義。本文在利用現(xiàn)有硬件設(shè)備建立香煙煙霧視頻數(shù)據(jù)集的基礎(chǔ)上,詳細(xì)的分析香煙煙霧的靜態(tài)特性和動(dòng)態(tài)特性,指出煙霧的統(tǒng)計(jì)度量特征、顏色布局特征以及方向特征可有效描述香煙煙霧的特性;并在此基礎(chǔ)上,提出多特征融合的方法,提高特征向量的抗干擾性。為了提高特征向量的環(huán)境適應(yīng)性和可靠性,提出利用特征選擇算法增強(qiáng)初始特征向量的環(huán)境適應(yīng)能力。針對(duì)經(jīng)典Simba特征選擇算法中,認(rèn)為所有樣本具有相同重要性的問題以及沒有充分考慮異常值的影響等問題,本文提出引入樣本權(quán)重和差異性度量理論。與此同時(shí),多特征融合雖然可有效提高環(huán)境適應(yīng)能力,但特征間的冗余特性將會(huì)影響最終的識(shí)別速率。因此,本文提出基于互信息的Simba特征選擇算法(MI_Simba),建立該環(huán)境條件下的最優(yōu)特征向量。通過仿真實(shí)驗(yàn)的結(jié)果表明,基于互信息的Simba特征選擇算法可以有效提高特征向量的環(huán)境適應(yīng)能力和可靠性。香煙煙霧識(shí)別問題處于初級(jí)階段,先驗(yàn)知識(shí)較少;另外考慮到煙霧識(shí)別的特殊性,本文提出以泛化能力強(qiáng)、穩(wěn)定性好、檢測(cè)速率優(yōu)并且需要先驗(yàn)知識(shí)非常少的Adaboost算法作為香煙煙霧分類器設(shè)計(jì)的基礎(chǔ)分類器。為了提高分類器的識(shí)別效率,引入代價(jià)敏感挖掘理論,增強(qiáng)分類器的識(shí)別針對(duì)性。另外,考慮到自建香煙煙霧視頻數(shù)據(jù)集的有限性,提出基于小樣本學(xué)習(xí)機(jī)——支持向量機(jī)的代價(jià)敏感Adaboost算法。通過實(shí)驗(yàn)驗(yàn)證本算法在香煙煙霧識(shí)別問題上的有效性和優(yōu)越性。
【關(guān)鍵詞】：多特征融合 MI-Simba算法 SVM_CS_Adaboost算法 香煙煙霧識(shí)別
【學(xué)位授予單位】：燕山大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TN948.6
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-16
• 1.1 本文研究背景及意義10-11
• 1.2 視頻監(jiān)控中的香煙煙霧識(shí)別的研究現(xiàn)狀11-15
• 1.3 本文的研究?jī)?nèi)容15-16
• 第2章 視頻監(jiān)控中的香煙煙霧特征分析及研究16-34
• 2.1 引言16
• 2.2 香煙煙霧視頻的獲取及預(yù)處理16-20
• 2.2.1 香煙煙霧視頻數(shù)據(jù)集的建立16
• 2.2.2 煙霧視頻的預(yù)處理16-20
• 2.3 香煙煙霧靜態(tài)特性的分析研究20-29
• 2.3.1 基于紋理的統(tǒng)計(jì)度量特征20-25
• 2.3.2 香煙煙霧的顏色特征25-29
• 2.4 香煙煙霧動(dòng)態(tài)特性的分析研究29-32
• 2.4.1 單高斯背景模型30-31
• 2.4.2 獲取煙霧運(yùn)動(dòng)區(qū)域31
• 2.4.3 煙霧動(dòng)態(tài)特征的提取31-32
• 2.5 視頻特征的提取方式32-33
• 2.6 本章小結(jié)33-34
• 第3章 香煙煙霧視頻特征選擇方法的研究34-46
• 3.1 引言34
• 3.2 經(jīng)典特征選擇算法的分析研究34-37
• 3.2.1 向前及向后搜索算法34-35
• 3.2.2 +L-R搜索算法35-36
• 3.2.3 Simba特征選擇算法36-37
• 3.3 基于互信息的Simba特征選擇算法37-42
• 3.3.1 互信息37-40
• 3.3.2 Simba算法目標(biāo)評(píng)估函數(shù)的優(yōu)化40-41
• 3.3.3 基于互信息的 Simba 算法41-42
• 3.4 特征選擇算法的比較42-45
• 3.4.1 實(shí)驗(yàn)設(shè)置42
• 3.4.2 實(shí)驗(yàn)方法及結(jié)果分析42-45
• 3.5 本章小結(jié)45-46
• 第4章 煙霧識(shí)別分類器的設(shè)計(jì)46-64
• 4.1 引言46
• 4.2 常用分類器的分析研究46-54
• 4.2.1 線性判別函數(shù)和決策超平面46-47
• 4.2.2 支持向量機(jī)47-52
• 4.2.3 Adaboost算法52-54
• 4.3 基于SVM的代價(jià)敏感Adaboost算法54-59
• 4.3.1 代價(jià)敏感挖掘54-55
• 4.3.2 代價(jià)敏感 Adaboost 算法55-56
• 4.3.3 基于SVM的代價(jià)敏感Adaboost算法56-59
• 4.4 實(shí)驗(yàn)結(jié)果與分析59-63
• 4.4.1 實(shí)驗(yàn)設(shè)置59-60
• 4.4.2 實(shí)驗(yàn)方法及結(jié)果分析60-63
• 4.5 本章小結(jié)63-64
• 結(jié)論64-66
• 參考文獻(xiàn)66-70
• 攻讀碩士學(xué)位期間承擔(dān)的科研任務(wù)與主要成果70-71
• 致謝71-72
• 作者簡(jiǎn)介72

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前9條

1 蘇開娜,喬曉梅;基于Zernike矩的人體行為識(shí)別[J];北京工業(yè)大學(xué)學(xué)報(bào);2005年04期

2 王圓圓;陳云浩;李京;;基于支持向量機(jī)(SVM)特征加權(quán)/選擇的光譜匹配算法[J];光譜學(xué)與光譜分析;2009年03期

3 張輝;趙保軍;唐林波;李建科;;基于自適應(yīng)多特征整合的紅外目標(biāo)跟蹤[J];光學(xué)學(xué)報(bào);2010年05期

4 閆明松;周志華;;代價(jià)敏感分類算法的實(shí)驗(yàn)比較[J];模式識(shí)別與人工智能;2005年05期

5 李新德;楊偉東;DEZERT Jean;;一種飛機(jī)圖像目標(biāo)多特征信息融合識(shí)別方法[J];自動(dòng)化學(xué)報(bào);2012年08期

6 趙海勇;賈保先;;基于輪廓特征的人體行為識(shí)別[J];計(jì)算機(jī)科學(xué);2013年02期

7 李秋潔;茅耀斌;葉曙光;王執(zhí)銓;;代價(jià)敏感Boosting算法研究[J];南京理工大學(xué)學(xué)報(bào);2013年01期

8 付忠良;;多標(biāo)簽代價(jià)敏感分類集成學(xué)習(xí)算法[J];自動(dòng)化學(xué)報(bào);2014年06期

9 胡長(zhǎng)勃,馮濤,馬頌德,盧漢清;基于主元分析法的行為識(shí)別[J];中國(guó)圖象圖形學(xué)報(bào);2000年10期

  本文關(guān)鍵詞：室內(nèi)視頻監(jiān)控中的香煙煙霧識(shí)別的研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：334425