基于視頻流的運(yùn)動(dòng)人體行為識(shí)別研究.pdf

1、智能視頻監(jiān)控是計(jì)算機(jī)視覺領(lǐng)域中最活躍的研究方向之一。它利用計(jì)算機(jī)技術(shù)實(shí)現(xiàn)視頻內(nèi)容的自動(dòng)分析,目的是使機(jī)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?；谝曨l流的運(yùn)動(dòng)人體行為識(shí)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(cè)、跟蹤、識(shí)別運(yùn)動(dòng)人體,并對(duì)其行為進(jìn)行理解和描述?；谌梭w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(dòng)實(shí)時(shí)報(bào)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(cái)

2、力,給社會(huì)帶來極大地經(jīng)濟(jì)收益。本文從理論和實(shí)際應(yīng)用的角度出發(fā),對(duì)以視頻為輸入的運(yùn)動(dòng)人體行為識(shí)別的相關(guān)關(guān)鍵技術(shù)進(jìn)行研究,研究內(nèi)容主要涉及運(yùn)動(dòng)目標(biāo)的檢測(cè)與分割、人體行為特征的描述以及人體行為識(shí)別算法的設(shè)計(jì)等方面。研究工作主要包括以下幾個(gè)方面:
　　 1)提出了一種基于幀間差分和改進(jìn)C-V模型的運(yùn)動(dòng)人體分割算法,解決了復(fù)雜背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)問題。首先,通過自適應(yīng)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(biāo)定出運(yùn)動(dòng)目標(biāo)所在的區(qū)域,計(jì)算運(yùn)動(dòng)區(qū)域的運(yùn)動(dòng)視窗。最后,對(duì)所有運(yùn)動(dòng)視窗,采用改進(jìn)的C-V模型作分割,得到封閉和完整的運(yùn)動(dòng)目標(biāo)輪廓。針對(duì)傳統(tǒng)C-V活動(dòng)輪廓模型不能自適應(yīng)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(dòng)輪廓曲線,根據(jù)閉合活動(dòng)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(shí)驗(yàn)結(jié)果表明,該算法不僅避免了對(duì)整個(gè)圖像的分割,減少了運(yùn)算量,而且能實(shí)現(xiàn)對(duì)剛體或非剛體等運(yùn)動(dòng)目標(biāo)的自動(dòng)檢測(cè)和輪廓分割。
　　 2)提出

4、了基于加權(quán)運(yùn)動(dòng)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(duì)人體行為特征進(jìn)行提取與描述,定義一種新的稱為邊界點(diǎn).半徑的輪廓描述方法,將時(shí)變的2D輪廓形狀轉(zhuǎn)換為對(duì)應(yīng)的1D距離向量。圍繞著人的動(dòng)作是時(shí)間序列上姿態(tài)的集合這樣一個(gè)事實(shí),以成本函數(shù)作為特征向量,利用譜系聚類方法提取動(dòng)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(dòng)作串的模板。在構(gòu)建動(dòng)作串時(shí),由于各關(guān)鍵姿態(tài)在識(shí)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(dòng)態(tài)

5、時(shí)間規(guī)整算法度量測(cè)試序列與標(biāo)準(zhǔn)模板之間的相似性。實(shí)驗(yàn)結(jié)果表明,本方法比較好地解決了在同一段時(shí)間內(nèi)不同動(dòng)作以及變速動(dòng)作的分類問題,具有簡(jiǎn)單實(shí)用的特點(diǎn)。
　　 3)提出了基于全局運(yùn)動(dòng)信息和局部興趣點(diǎn)信息的異常行為識(shí)別方法,解決了識(shí)別前需要事先定義異常行為類別的問題,實(shí)現(xiàn)了對(duì)異常行為的直接判斷。在運(yùn)動(dòng)視窗范圍內(nèi)提取運(yùn)動(dòng)人體區(qū)域的全局運(yùn)動(dòng)信息,選取輪廓線上的像素點(diǎn)和質(zhì)心點(diǎn)作為局部興趣點(diǎn)。分別利用改進(jìn)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(diǎn)的運(yùn)動(dòng)特征。然后將全局信息和局部興趣點(diǎn)信息這兩種具有一定互補(bǔ)性的特征采用加權(quán)串聯(lián)進(jìn)行融合,得到一個(gè)分類能力更強(qiáng)的特征。最后,采用隱條件隨機(jī)場(chǎng)(Hidden Conditional random fields,HCRF)對(duì)行為進(jìn)行訓(xùn)練與識(shí)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(cè)過程條件獨(dú)立,可以更加自然地對(duì)行為的時(shí)空鄰域關(guān)系

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