基于不平衡學(xué)習(xí)的運(yùn)動目標(biāo)檢測的研究.pdf

1、近年來智能相機(jī)設(shè)備大量普及，這些設(shè)備能搭載快速有效的計算機(jī)視覺應(yīng)用，包括運(yùn)動目標(biāo)檢測。運(yùn)動目標(biāo)檢測旨在將視頻分成前景（運(yùn)動目標(biāo)）和背景，是典型的二分類問題。其在公共安防、交通監(jiān)控等應(yīng)用中都起著重要的作用，也是后續(xù)跟蹤和識別的基礎(chǔ)步驟。模型初始化、光照變化、動態(tài)背景等因素影響了運(yùn)動目標(biāo)檢測的精度，但是學(xué)者們都忽略了運(yùn)動目標(biāo)檢測的樣本集是不平衡的。在二分類情況下，類不平衡指的是負(fù)類樣本數(shù)遠(yuǎn)多于正類樣本數(shù)。相應(yīng)地，在運(yùn)動目標(biāo)檢測中背景樣本是負(fù)

2、類（多數(shù)類），其數(shù)目多于正類（少數(shù)類）即前景樣本的數(shù)量。通過改善數(shù)據(jù)集的不平衡度能有效地提高檢測的精度，因此基于不平衡學(xué)習(xí)的運(yùn)動目標(biāo)檢測具有重要的研究意義。
　　本文分別從數(shù)據(jù)層面和算法層面研究類不平衡下的運(yùn)動目標(biāo)檢測問題，主要的研究內(nèi)容如下：
　　1.數(shù)據(jù)層面的解決方案是重采樣的方法。一方面對正類樣本進(jìn)行過采樣產(chǎn)生新樣本，過采樣的時間是根據(jù)一定規(guī)則設(shè)計的，可以確保生成的樣本比較均勻地分布在采樣區(qū)間內(nèi)，從而避免了樣本堆積造成

3、的過擬合現(xiàn)象。另一方面對負(fù)類樣本進(jìn)行選擇性下采樣，對背景幀和合成前景幀采用差分法，減少前景和背景交疊區(qū)域（潛在的前景區(qū)域）的背景樣本數(shù)量。通過上述兩個步驟改善數(shù)據(jù)的不平衡度?，得到平衡的數(shù)據(jù)集，將其用于分類。最后通過對比試驗，驗證了算法的可行性并且提高了檢測的精度。
　　2.算法層面的解決方案是代價敏感的方法，即對正類和負(fù)類樣本分別施加不同的誤分懲罰因子。但是與廣泛使用的常數(shù)代價不一樣，此處要構(gòu)建的是兩個像素級的代價函數(shù)，即在 M