基于高階隱馬爾科夫模型的人體行為識別研究.pdf

1、人體行為識別一直以來都是計算機視覺領域里的熱門研究方向，其根本目標是讓計算機系統(tǒng)可以像人眼一樣去認識和識別攝像頭所采集到的各種行為信息。要達到識別效果，則需要將人工智能技術(shù)、模式識別技術(shù)和計算機視覺技術(shù)等加以綜合運用。隨著計算機技術(shù)的高速發(fā)展，人們在人體行為識別領域也取得了較大進步，出現(xiàn)了一些科研成果。但當前的研究成果還不能滿足在實際生活中的應用要求，某些關鍵問題亟待解決。
　　本文主要研究了以下幾方面的內(nèi)容：
　　（1）通

2、過對當前關于圖像預處理方面的技術(shù)經(jīng)驗進行歸納和對比，本文選擇了自適應中值濾波的方法并進行了仿真試驗。提出將傳統(tǒng)的自適應中值濾波法與直方圖均衡化法相結(jié)合，處理結(jié)果得到了進一步的提高，這為接下來的工作順利進行提供了保障。該方法能有效保留圖像細節(jié)，同時，能有效抑制噪聲干擾，具備良好的去噪功能。
　?。?）研究比較了幾種檢測技術(shù)，側(cè)重研究了以下幾種常用的檢測算法：光流檢測技術(shù)、背景減除檢測技術(shù)、幀間差檢測技術(shù)。經(jīng)過大量的實驗對比，在總結(jié)各

3、種方法優(yōu)缺點的基礎上，根據(jù)本文的特定場景和實際情況，提出一種新的檢測方法——基于邊緣提取的連續(xù)三幀幀間差分運動目標檢測方法，并根據(jù)本文所使用視頻的實際情況,將提出的改進三幀差分算法同背景減除法相融合做前景提取，通過仿真實現(xiàn)了預期結(jié)果。
　?。?）開展特征提取方法研究。文章對常用Haar-like特征提取方法、形狀上下文特征提取方法以及sift特征提取方法進行了研究，并將傅里葉特征提取與sift特征提取做了實驗比較，最終提出了一種采

4、用邊界中心距的傅里葉描述子提取人體行為特征方法并對提取結(jié)果進行矢量量化以適應旋轉(zhuǎn)不變性。
　?。?）對高階隱馬爾科夫模型中的估值問題、解碼問題和學習問題進行了研究，并將高階隱馬爾科夫模型運用到人體行為識別當中?，F(xiàn)階段主要是通過使用一階隱馬爾科夫模型對人體不同姿態(tài)進行模型構(gòu)建，但由于一階隱馬爾科夫模型成立的前提條件是假定狀態(tài)轉(zhuǎn)移概率和符號發(fā)出概率都只與當前時刻的狀態(tài)有關。這樣的假定使得一階隱馬爾科夫模型在獲取人體行為信息上存在一定的