基于視覺的運動人體行為分析.pdf

1、運動人體行為分析是計算機視覺領(lǐng)域最活躍的研究課題之一,在運動分析、智能視頻監(jiān)控、虛擬現(xiàn)實、人機交互等領(lǐng)域具有廣闊的應(yīng)用前景,其核心是從視頻中提取有效信息對人體行為進行檢測、跟蹤以及最終的識別。但是在實際應(yīng)用中仍存在許多難題,比如在復(fù)雜環(huán)境下的前景目標(biāo)檢測性能問題,兼顧樣本信息同時降低特征維數(shù)的特征選擇提取問題,保證高維非線性樣本的分類實時有效性問題等。因此,研究基于視覺的運動人體行為分析具有非常重要的理論意義和實用價值。
　　

2、本文針對運動人體行為分析中的關(guān)鍵技術(shù)及存在問題有以下研究成果:
　　 1.在查閱與研究了相關(guān)運動人體檢測算法文獻的基礎(chǔ)上,針對復(fù)雜環(huán)境下的前景提取性能問題,以背景減除法為基礎(chǔ),運用碼書模型實時更新背景。實驗表明,該算法對于復(fù)雜環(huán)境下的運動檢測實時有效,同時對背景擾動、環(huán)境變化等不利因素具有很強的魯棒性。
　　 2.分析了目前廣泛應(yīng)用于特征選擇與提取的主成分分析算法(PCA),針對該算法的線性本質(zhì)局限,通過非線性函數(shù)轉(zhuǎn)入核

3、空間后進行PCA處理,保留了樣本的非線性信息；另外,運用加權(quán)策略,提高了主要特征對于識別的貢獻。實驗表明本文提出的加權(quán)核PCA算法所提取的特征與原算法相比,在降低相同維數(shù)的基礎(chǔ)上能更準(zhǔn)確的表征樣本信息。
　　 3.基于視覺的行為識別是典型的高維非線性樣本分類問題,訓(xùn)練樣本的數(shù)量直接影響分類的正確率和實時性。針對這一問題,選用了兩類經(jīng)典分類器:K近鄰和支持向量機(SVM),進行實驗比較,并依據(jù)歐氏距離對K近鄰算法進行加權(quán)改進,同時