基于視頻流的運動人體行為識別研究.pdf

1、智能視頻監(jiān)控是計算機視覺領(lǐng)域中最活躍的研究方向之一。它利用計算機技術(shù)實現(xiàn)視頻內(nèi)容的自動分析,目的是使機器視覺系統(tǒng)具有人眼一樣的感知功能。作為一種有效的安防手段,智能視頻監(jiān)控系統(tǒng)正越來越受到人們的青睞。基于視頻流的運動人體行為識別是智能視頻監(jiān)控的主要研究內(nèi)容,它從視頻序列中檢測、跟蹤、識別運動人體,并對其行為進行理解和描述。基于人體行為分析的智能視頻監(jiān)控系統(tǒng)不僅能夠?qū)崿F(xiàn)自動實時報警,解決了傳統(tǒng)監(jiān)控系統(tǒng)的事后性,而且還可以節(jié)省大量的人力和財

2、力,給社會帶來極大地經(jīng)濟收益。本文從理論和實際應用的角度出發(fā),對以視頻為輸入的運動人體行為識別的相關(guān)關(guān)鍵技術(shù)進行研究,研究內(nèi)容主要涉及運動目標的檢測與分割、人體行為特征的描述以及人體行為識別算法的設(shè)計等方面。研究工作主要包括以下幾個方面:
　　 1)提出了一種基于幀間差分和改進C-V模型的運動人體分割算法,解決了復雜背景下的運動目標檢測問題。首先,通過自適應閾值獲得相鄰幀差值圖像。其次,通過連通域分析和設(shè)定閾值,消除差值圖像中噪

3、聲的影響并標定出運動目標所在的區(qū)域,計算運動區(qū)域的運動視窗。最后,對所有運動視窗,采用改進的C-V模型作分割,得到封閉和完整的運動目標輪廓。針對傳統(tǒng)C-V活動輪廓模型不能自適應地分割非勻質(zhì)圖像問題,提出利用全局梯度信息演化活動輪廓曲線,根據(jù)閉合活動輪廓曲線內(nèi)外部的梯度信息重新定義圖像分割能量函數(shù)。實驗結(jié)果表明,該算法不僅避免了對整個圖像的分割,減少了運算量,而且能實現(xiàn)對剛體或非剛體等運動目標的自動檢測和輪廓分割。
　　 2)提出

4、了基于加權(quán)運動串的行為分類算法,解決了非固定執(zhí)行速率的行為分類問題。為了更好地對人體行為特征進行提取與描述,定義一種新的稱為邊界點.半徑的輪廓描述方法,將時變的2D輪廓形狀轉(zhuǎn)換為對應的1D距離向量。圍繞著人的動作是時間序列上姿態(tài)的集合這樣一個事實,以成本函數(shù)作為特征向量,利用譜系聚類方法提取動作序列的關(guān)鍵姿態(tài)集并將關(guān)鍵姿態(tài)編碼為稱作動作串的模板。在構(gòu)建動作串時,由于各關(guān)鍵姿態(tài)在識別過程中的重要性不相同,需要賦予不同的權(quán)重。最后,利用動態(tài)

5、時間規(guī)整算法度量測試序列與標準模板之間的相似性。實驗結(jié)果表明,本方法比較好地解決了在同一段時間內(nèi)不同動作以及變速動作的分類問題,具有簡單實用的特點。
　　 3)提出了基于全局運動信息和局部興趣點信息的異常行為識別方法,解決了識別前需要事先定義異常行為類別的問題,實現(xiàn)了對異常行為的直接判斷。在運動視窗范圍內(nèi)提取運動人體區(qū)域的全局運動信息,選取輪廓線上的像素點和質(zhì)心點作為局部興趣點。分別利用改進的質(zhì)心-邊界輪廓描述方法和質(zhì)心軌跡來描

6、述局部興趣點的運動特征。然后將全局信息和局部興趣點信息這兩種具有一定互補性的特征采用加權(quán)串聯(lián)進行融合,得到一個分類能力更強的特征。最后,采用隱條件隨機場(Hidden Conditional random fields,HCRF)對行為進行訓練與識別。與HMM(hidden Markov model)等產(chǎn)生式模型相比,HCRF側(cè)重從樣本數(shù)據(jù)中抽取共有特征以獲取正確的分類邊界,不需要假定觀測過程條件獨立,可以更加自然地對行為的時空鄰域關(guān)系

7、進行建模。實驗結(jié)果表明,本算法可以實現(xiàn)對人體行為的主動分析,對行人的異常動作做出識別并進行報警處理,即便對于特征差異較大或是存在噪聲干擾的動作序列,算法也能取得較高的識別率。
　　 4)提出了基于完全模糊支持向量機(Fuzzy Support Veaor Machine,FSVM)決策樹的行為分類算法,解決了行為識別在由兩類問題擴展到多類問題時,出現(xiàn)的不可分問題。針對人體姿態(tài)具有不確定性和模糊性等特點,采用模糊聚類技術(shù)求取每類行