Detección, clasificación y seguimiento de objetos móviles en transmisiones de vídeo mediante un enfoque mejorado de extracción de características utilizando K-SVM

Resumen

La visión por ordenador desempeña un papel vital en diversas aplicaciones como la vigilancia del tráfico, la robótica, los dispositivos de interacción humana, etc. El sistema de videovigilancia ha sido diseñado para detectar, seguir y clasificar los objetos en movimiento. La detección de objetos en movimiento, la clasificación y el seguimiento de la transmisión de vídeo tiene varios desafíos, que utiliza varios enfoques novedosos. Los trabajos existentes utilizan el análisis de características espacio-temporales mediante el algoritmo de consistencia de muestras para la detección y clasificación de objetos en movimiento. No funciona bien con la escena compleja del vídeo. La representación de enmascaramiento binario del objeto en movimiento es la tarea más difícil para los investigadores. Estos flujos de vídeo se dividen en función de los fotogramas, las tomas y las escenas; en este caso, el trabajo de investigación propuesto utiliza la técnica de aprendizaje empleando una máquina vectores de soporte kernel (K-SVM) para la detección y el seguimiento de objetos en movimiento. En este enfoque, se utiliza el MIO-TCD DATASET para la detección de objetos en movimiento. La extracción de características es la parte más importante del análisis del primer plano y del fondo en la transmisión de vídeo, que utiliza los datos de vídeo basados en las características del vehículo. La característica SURF (SpeededUp Robust Feature) se utiliza para reconocer/registrar el objeto y también para clasificar los objetos en movimiento. El método de flujo óptico sirve para cuantificar el movimiento relativo del objeto en las secuencias de vídeo. Basándose en las diferencias de los fotogramas divididos, las características de flujo óptico mantienen el objeto para medir el píxel de los objetos en movimiento. El proceso de extracción de características se mejora combinando la clase de características con el nivel de intensidad del resultado del flujo óptico, lo que hace el análisis de gradiente de la función derivada de primer orden. El método propuesto logra el resultado de memoria, precisión y medidas f que el trabajo existente. El método propuesto se realiza con la ayuda de MATLAB 2018a.