運動目標檢測及其行為分析研究.pdf

1、視頻分析作為主動視覺信息挖掘的重要工具在目標發(fā)現(xiàn)、目標識別以及異常行為檢測等方面發(fā)揮著重要作用。隨著監(jiān)控數(shù)據(jù)與日俱增，與傳統(tǒng)人工處理方式相比，智能視頻分析具有明顯的優(yōu)勢。如何通過視頻分析自動發(fā)現(xiàn)視頻中的感興趣目標或者行為，并及時對其進行預警和處理成為了重要的研究課題。
　　運動目標檢測和目標識別是視頻分析的核心內容，也是圖像理解的重要手段。然而在視頻環(huán)境中，場景光線變化、陰影干擾、攝像機傾斜拍攝、識別目標不對齊等等因素給目標檢測與

2、識別帶來很大影響。如何在這些復雜環(huán)境下進行有效的特征提取和目標表示是視頻分析的關鍵問題。本文在結合統(tǒng)計方法和子空間方法的基礎上，設計了一系列統(tǒng)計模型和子空間模型解決視頻分析任務中的關鍵問題。本文主要研究內容及成果總結如下：
　　（1）根據(jù)類內距離最大化的原則，提出了幀集劃分方法，并把該方法作為低秩分解在運動目標檢測上的預處理步驟，使平均檢測精度在Pets2006等數(shù)據(jù)集上提高了13％?，F(xiàn)有低秩分解方法過分依賴于子空間模型對背景圖像

3、進行建模，而忽略運動目標的統(tǒng)計特征，比如位置的分布信息。本工作通過對幀集進行劃分，使獲得的每個子集中的稀疏噪聲分布更有利于前景和背景的分離。為了解決由此引起的子集規(guī)模過小問題，我們把運動幅度較小的視頻幀作為每個子集的補充，從而增加真實背景像素的個數(shù)。本工作探討了一種結合統(tǒng)計方法和子空間方法的途徑，在充分利用兩者優(yōu)勢的同時使檢測算法在光照變化、嚴重遮擋等復雜的監(jiān)控環(huán)境下具有更強的魯棒性。
　　（2）提出一種無監(jiān)督最優(yōu)特征選擇方法，把

4、降維、稀疏表示、聯(lián)合稀疏特征抽取和特征選擇以及分類融合到統(tǒng)一的目標函數(shù)中以實現(xiàn)對動作的識別。傳統(tǒng)子空間方法往往把構圖和分類兩個過程分開優(yōu)化，導致通過構圖得到的投影矩陣對分類來說并不是最優(yōu)的。本文所提出的方法可以同時對投影矩陣和稀疏表示矩陣進行優(yōu)化，從而選出對分類最有利的特征。在理論分析方面，本文給出了算法的收斂性證明以及計算復雜度分析。最后，本文把所提出的方法與現(xiàn)有方法在人體動作識別數(shù)據(jù)庫上進行比較，通過實驗說明了本文方法在目標識別上的

5、有效性。
　　（3）提出了基于多方向高斯建模的速率學習模型，從而讓監(jiān)控系統(tǒng)在無需標定的情況下，發(fā)現(xiàn)各種監(jiān)控場景中的快速移動目標。在銀行監(jiān)控系統(tǒng)中，行人快速移動被認為是一種異常行為。然而行人在監(jiān)控畫面中的運動速率會因為投影變換的影響而呈現(xiàn)出非線性變化。本文首先通過理論分析得出圖像中目標運動速率與其真實情況下運動速率的關系。然后提出在多個方向區(qū)間上使用高斯模型對目標運動速率的均值和方差進行學習。為了確定多個方向中的主方向區(qū)間，我們使用

6、了基本的Fisher模型。但是該模型在極值處沒有尖點，從而導致無法確定最優(yōu)主方向角度。為此我們提出了改進Fisher算法從而使最優(yōu)方向區(qū)間模型的目標函數(shù)在極值處存在尖點。當訓練階段結束以后，為了解決某些像素位置上出現(xiàn)學習不充分，即欠學習的問題，我們提出權重隨機一致采樣算法對參數(shù)進行三維曲面擬合，從而利用周圍已獲得充分學習的像素參數(shù)估計欠學習位置上的參數(shù)。算法最后在銀行提供的監(jiān)控視頻數(shù)據(jù)上與現(xiàn)有異常運動檢測算法相比，獲得更高的檢測率和較低

7、的誤檢率。
　?。?）提出一種基于AdaBoost與多特征結合的人數(shù)統(tǒng)計方法。在垂直架設攝像機中，我們使用AdaBoost算法對視頻中的運動目標進行檢測。然后提出使用多種特征對感興趣目標進一步確認，從而提高檢測和跟蹤的性能。多種特征包括匹配響應特征、運動強度特征以及尺度特征。針對不同的應用場景，我們給出了兩種跟蹤方案。第一種是近鄰跟蹤法，主要運用在畫面清晰場景簡單的情況。第二種是基于最優(yōu)顏色聚類的跟蹤方法，主要應用在情況較為復雜的