基于視覺的運動人體特征描述與行為識別研究.pdf

1、基于視覺的運動人體行為識別是計算機視覺和機器學(xué)習(xí)等領(lǐng)域的熱門研究方向，在智能監(jiān)控、人機交互等方面有著十分重要的應(yīng)用價值。
　　本文在運動目標(biāo)的檢測、特征提取和描述、人體行為識別三個方面進(jìn)行了研究，主要工作和成果如下:
　　1.在運動目標(biāo)檢測上，本文以視覺背景提取算法(ViBe)算法為基礎(chǔ)，提出一種魯棒的自適應(yīng)視覺背景提取算法(RAViBe)。RAViBe采用魯棒的基于圖像對比度的背景建模方法，采用自適應(yīng)的背景更新與目標(biāo)分類方

2、法來進(jìn)行運動目標(biāo)檢測。實驗結(jié)果表明，與ViBe算法相比，RAViBe算法在保證了算法簡潔高效的同時，在運動目標(biāo)檢測中能獲得更好的檢測效果，能快速有效地消除鬼影區(qū)域，并且在光照變化的情況下保證算法的魯棒性。
　　2.在特征提取和描述上，本文提出一種基于塊直方圖的融合特征描述子(BBHFFD)，提取運動區(qū)域中的剪影特征與光流特征合并成融合特征，并采用基于塊直方圖的方式加以描述。在此基礎(chǔ)上，本文采用判別公共向量(DCV)的方法對融合特征

3、進(jìn)一步降維，并提出一種改進(jìn)的快速判別公共向量(FDCV)的方法，用標(biāo)量分類代替原算法中的向量分類。實驗結(jié)果表明，與單一特征相比，采用融合特征在行為識別時能獲得更高的識別率;同時，與DCV相比，采用FDCV能在保證識別率的前提下，將目標(biāo)分類的計算速度提高約兩倍。
　　3.在基于狀態(tài)空間的人體行為識別上，本文將SVM-HMM混合模型引入人體行為識別中，用屬于判別式模型的支持向量機(SVM)來替代屬于產(chǎn)生式模型的GMM模塊，使得在訓(xùn)練樣

4、本不足的情況下能獲得更優(yōu)的分類性能。實驗結(jié)果表明，與GMM-HMM相比，SVM-HMM混合模型在短序列視頻中獲取了更高的識別率。而在長視頻序列的識別上，得益于HMM對時間序列的建模能力，SVM-HMM混合模型同樣取得了較好的識別率。
　　4.在基于規(guī)則的人體行為識別上，本文提出一種基于遺傳算法規(guī)則進(jìn)化的人體行為識別方法，為人體行為設(shè)定一組約束條件作為規(guī)則，同時將遺傳算法應(yīng)用于規(guī)則的更新上，使規(guī)則能得到不斷地進(jìn)化從而獲得自適應(yīng)能力。