基于形狀上下文和SURF興趣點(diǎn)的行為識(shí)別.pdf

1、人體行為識(shí)別目前已經(jīng)廣泛應(yīng)用于社會(huì)生產(chǎn)生活的許多領(lǐng)域，例如銀行、車站、機(jī)場(chǎng)、商場(chǎng)、道路、辦公樓和居民小區(qū)等場(chǎng)所的視頻監(jiān)控系統(tǒng)。目前，可應(yīng)用的場(chǎng)合包括了運(yùn)動(dòng)捕捉、監(jiān)控視頻分析、視頻分類、體育運(yùn)動(dòng)與娛樂視頻處理、智能家居開發(fā)、人機(jī)交互、環(huán)境控制與監(jiān)視等等。
　　目前主要的人體行為識(shí)別方法大致可以分為基于人體模型跟蹤、基于光流直方圖以及基于局部時(shí)空特征的方法三大類，它們都有各自的不足之處?；谌梭w模型跟蹤的方法要求提取精確的人體模板，該

2、方法的魯棒性相對(duì)較差。基于光流直方圖的方法采用光流直方圖進(jìn)行人體動(dòng)作識(shí)別。但是光流對(duì)背景噪音以及不同光照強(qiáng)度的魯棒性很差?；诰植繒r(shí)空特征的方法通過濾波和非極值抑制法提取出興趣點(diǎn)，并進(jìn)一步提取人體動(dòng)作的局部時(shí)空特征作為識(shí)別的依據(jù)。該方法適用于低分辨率的視頻數(shù)據(jù)。并且局部時(shí)空特征的提取對(duì)尺度伸縮、拍攝視角和光照亮暗與否不敏感。在前人研究基礎(chǔ)上，本課題提出了基于兩種不同特征的人體行為識(shí)別方法，分別是基于形狀上下文和基于SURF（Speede

3、d-Up Robust Features，加速健壯特征）興趣點(diǎn)的人體行為識(shí)別算法。
　　基于形狀上下文的方法是一種基于關(guān)鍵輪廓的人體行為識(shí)別方法。該方法定義一種基于形狀上下文（Shape Context）的形狀距離。根據(jù)最小形狀距離準(zhǔn)則，采用K中心點(diǎn)聚類算法提取出每類行為的若干關(guān)鍵輪廓。在識(shí)別階段，給定一個(gè)動(dòng)作視頻，計(jì)算視頻中每一幀與每類行為關(guān)鍵輪廓的距離，并給每類行為投票，最后將該動(dòng)作視頻標(biāo)識(shí)為得票最多的動(dòng)作。實(shí)驗(yàn)結(jié)果表明，形狀

4、上下文應(yīng)用于精確完整的人體輪廓匹配時(shí)效果很好，并且基于形狀距離的K中心點(diǎn)聚類算法提取出的一組關(guān)鍵輪廓足以完整地描述一種人體動(dòng)作。
　　為了提高算法對(duì)遮擋、重疊、尺度變化和光照變化的魯棒性，基于 SURF的方法將具有旋轉(zhuǎn)不變性、尺度不變性和仿射不變性等優(yōu)勢(shì)的SURF興趣點(diǎn)應(yīng)用于人體行為識(shí)別中。該算法采用 SURF檢測(cè)器檢測(cè)出時(shí)空興趣點(diǎn)，通過累積一定時(shí)間內(nèi)在時(shí)間和空間兩維上特征顯著的興趣點(diǎn)，構(gòu)造出運(yùn)動(dòng)軌跡點(diǎn)集，并從運(yùn)動(dòng)軌跡點(diǎn)集中提取與