题目：面向视频监控的运动目标分类研究

运动目标分类是典型而复杂的模式识别和计算机视觉问题，具有重要的学术研究价值。运动目标的分类作为智能监控系统的核心功能之一，对国家安全、公共安全等具有重要的现实意义。视频图像的预处理与特征提取是目标分类中的两个关键问题。本文以此为主要研究对象，理论联系实际，力图建立一个能够满足远程视频监控系统实际需求的运动目标分类算法系统。具体地讲，本文的主要工作和贡献如下：(1) 提出一种基于多尺度Retinex图像增强快速算法由于雾天等恶劣天气条件的影响，采集的视频质量严重退化，细节模糊，不仅难以分割出实际的目标区域，而且影响了目标特征提取及分类的准确性。本文针对多尺度Retinex算法中存在的光晕问题，使用自适应滤波函数，改善了强对比度边缘易出现人工光晕的问题，采用自适应调整的亮度整体优化，扩大了图像的动态范围和对比度；结合大气成像模型，对图像色彩分量进行了失真还原处理。针对多尺度Retinex算法存在的计算量大、耗时多的问题，设计了均值模板代替原算法中的高斯模板，提高了算法的运算效率。最后，利用雾天图像进行实验验证，实验表明本文的算法在图像对比度、色彩保持和运算效率等方面与经典方法相比均有良好的表现。(2) 提出一种基于目标与背景差异的目标分割快速算法针对现有目标分割算法中含有许多对分割无效的特征分量，主要依赖经验值人工设置特征分量的权重，无法自适应预判各特征分量的有效性，在面向室外监控的复杂应用中适应性较差。同时，由于视频中目标的多样性，无法预定义合适的模板作为形状先验指导分割。本文提出了一种基于目标与背景差异的目标分割快速算法，该算法通过自适应调整颜色和纹理特征分量的权重对目标与背景的差异进行描述，避免无效特征分量对目标分割的干扰；结合视频的应用背景，将运动目标检测的结果作为形状先验提高目标分割的精度；采用二值水平集函数提高了算法的计算效率。最后，利用公开视频库和本文选取的监控视频进行实验验证，实验表明本文的目标分割算法的适应性好且准确性优于典型对比方法。(3) 提出一种基于轮廓约束的特征提取与目标分类方法高效鲁棒的特征提取对于提升目标分类的性能是至关重要的。针对监控视频中目标尺度小、可用信息少而且无效干扰多的问题，本文提出了一种轮廓约束的特征提取与目标分类方法。首先，以目标轮廓所包含的区域作为特征提取区域，提取基于目标空间细节信息的局部二值特征，并结合空间金字塔的方式，获得目标的纹理特征；另一方面，在轮廓的约束下，有针对性地提取目标轮廓线局部区域的梯度方向特征，提高了特征提取的鲁棒性和效率；使用基于多核支持向量机的学习方法对纹理和梯度这两种特征进行融合。最后，利用公开数据库和本文自建数据库通构建的混合数据库上进行实验验证，表明本文方法特征提取效率和目标分类的准确方面优于典型对比方法。