基于視頻序列的特定行為檢測研究.pdf

1、近十幾年來隨著計算機(jī)視覺技術(shù)的不斷發(fā)展，以及人們對安防需求的不斷提高，視頻中人體行為的識別也成為被研究最多的課題之一。該技術(shù)有著廣泛的實(shí)際應(yīng)用價值，例如：智能視頻監(jiān)控，人工智能，基于內(nèi)容的視頻檢索等。目前，由于互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展和成熟，越來越多的應(yīng)用場景涉及到視頻中人體行為的自動識別檢測。因此，研究人員提出了大量應(yīng)用于不同場合的識別算法，但是由于在實(shí)際場合應(yīng)用時會受到自身遮擋、背景突變等因素的影響，從而使得識別效果不是很理想。本文通過

2、對國內(nèi)外視頻中人體行為識別算法的研究，并對其進(jìn)行改進(jìn)，從而能夠提升識別率。主要思想是分別從目標(biāo)檢測、目標(biāo)跟蹤和行為分析三個方面進(jìn)行研究，然后分別對三個方面進(jìn)行改進(jìn)，具體算法如下：
　　(1)目標(biāo)檢測。本文目標(biāo)檢測階段采用的是 ViBe算法，但是由于該算法自身的缺點(diǎn)是無法檢測相對靜止的目標(biāo)。因此，本文對ViBe算法加以改進(jìn)，提出了一種融合改進(jìn)Canny算子的ViBe算法，用以提高目標(biāo)的識別率。首先，該方法利用ViBe算法得到運(yùn)動目標(biāo)

3、所在的前景區(qū)域，然后利用改進(jìn)的Canny算子對運(yùn)動目標(biāo)的進(jìn)行輔助定位，最后將運(yùn)動目標(biāo)的前景區(qū)域和邊緣信息進(jìn)行融合，已得到更為準(zhǔn)確的運(yùn)動目標(biāo)的檢測效果。
　　(2)目標(biāo)跟蹤。跟蹤學(xué)習(xí)檢測方法(Tracking-Learning-Detection, TLD)是一種對單目標(biāo)進(jìn)行長時間跟蹤的有效算法，近幾年該算法備受關(guān)注。該算法解決了跟蹤目標(biāo)失蹤后不能重新捕捉的問題，但仍然存在諸多的缺點(diǎn)和不足。本文針對TLD算法的缺點(diǎn)進(jìn)行適當(dāng)?shù)母倪M(jìn)，改

4、進(jìn)主要包括以下兩方面內(nèi)容：一方面，通過使用改進(jìn)的卡爾曼濾波器，來增強(qiáng)TLD算法的可靠性；另一方面，為了提高系統(tǒng)實(shí)時性，在檢測器中對當(dāng)前幀運(yùn)動目標(biāo)所在區(qū)域進(jìn)行預(yù)估，以達(dá)到減小檢測范圍。
　　(3)行為識別。為實(shí)現(xiàn)特征描述數(shù)據(jù)的降維，本文采用了傅里葉變換算法，這是因?yàn)橄鄬τ跁r域而言，頻域?qū)τ谀繕?biāo)的變化并不敏感；同時，時域選取光流場作為其特征描述，光流場對于目標(biāo)動作、視角、背景等細(xì)微變化都比較敏感，從而能夠提高行為的識別率。