智能視覺監(jiān)控中運(yùn)動目標(biāo)檢測與行為識別方法.pdf

1、智能視覺監(jiān)控作為近年來計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn),也是計(jì)算機(jī)應(yīng)用領(lǐng)域內(nèi)的關(guān)注重點(diǎn),它的主要職責(zé)是利用視覺計(jì)算技術(shù)、圖像視頻處理技術(shù)以與及模式識別人工智能技術(shù)實(shí)現(xiàn)所監(jiān)控場景的自主圖像處理、分析和理解。其相關(guān)研究成果已經(jīng)在智能交通管理、社會公共安全管理、人機(jī)交互技術(shù)、智慧城市建設(shè)、智慧醫(yī)療建設(shè)等諸多方面發(fā)揮出巨大的社會效益和經(jīng)濟(jì)效益。
　　本文從智能視覺監(jiān)控的理論研究和實(shí)際應(yīng)用出發(fā),通過對智能視覺監(jiān)控發(fā)展現(xiàn)狀和國內(nèi)外研究動態(tài)的討論,引出

2、了論文的相關(guān)工作:
　　1)運(yùn)動目標(biāo)的實(shí)時檢測,通過對現(xiàn)有背景建模算法優(yōu)劣的比較分析,將混合高斯模型以及背景檢測與時間差分法進(jìn)行有效改進(jìn),并重點(diǎn)研究了碼本模型在運(yùn)動目標(biāo)檢測中的應(yīng)用。針對原始碼本模型對動態(tài)背景適應(yīng)力不強(qiáng)以及更新效率較低的問題,提出了一種基于時間序列統(tǒng)計(jì)的改進(jìn)碼本模型的運(yùn)動目標(biāo)檢測算法。該算法會自動將擊中數(shù)量最大的碼元放置在碼本模型的頂端,實(shí)現(xiàn)碼元成功匹配概率的顯著增加;同時在模型更新時摒棄逐幀更新的方式,采用一種緩

3、存更新的策略。實(shí)驗(yàn)表明,該方法不僅可以消除動態(tài)因素引起的誤檢,還可魯棒地處理多運(yùn)動目標(biāo)、光照變化等動態(tài)場景的目標(biāo)檢測問題。
　　2)運(yùn)動目標(biāo)的實(shí)時跟蹤,本文針對傳統(tǒng)均值漂移算法無法融入目標(biāo)的空間信息,以及當(dāng)運(yùn)動目標(biāo)顏色分布與監(jiān)控場景的顏色分布相近時容易發(fā)生目標(biāo)跟蹤失敗和目標(biāo)丟失的問題,提出了一種基于團(tuán)塊信息的運(yùn)動目標(biāo)跟蹤算法。該算法通過運(yùn)動目標(biāo)的最小外接矩形、運(yùn)動目標(biāo)的水平投影和垂直投影信息確定運(yùn)動目標(biāo)的分塊劃分,并根據(jù)各分塊的B

4、hattacharyya系數(shù)值確定各塊的權(quán)重系數(shù);同時通過引入卡爾曼濾波預(yù)測團(tuán)塊目標(biāo)的可能位置,有效地優(yōu)化了均值漂移算法的計(jì)算效率。實(shí)驗(yàn)表明,該跟蹤方法不僅可以自適應(yīng)地確定目標(biāo)分塊,而且在部分遮擋和形變等情況下比傳統(tǒng)的均值漂移算法具有更好的跟蹤準(zhǔn)確性和魯棒性。
　　3)運(yùn)動目標(biāo)行為分析方面,本文針對人體運(yùn)動行為分類時的有效特征選擇問題,提出一種基于關(guān)鍵幀特征匹配的運(yùn)動行為分類算法。它利用人體行為在時間序列上生成關(guān)鍵姿態(tài)集合的特點(diǎn),

5、通過人體行為的周期特性分析總結(jié)出人體最小外接矩形的寬高比與關(guān)鍵姿態(tài)之間的關(guān)聯(lián)關(guān)系。通過利用圖像的混合小波矩特征建立關(guān)鍵姿態(tài)模板,計(jì)算檢測樣本與關(guān)鍵姿態(tài)模板之間距離的平均值與最小方差的加權(quán)最小值來評判圖像的相似程度,從而判別測試樣本所屬行為類別。實(shí)驗(yàn)證明,該方法從可以實(shí)現(xiàn)同一段時間內(nèi)不同動作變速動作的分類,有效提高人體行為分類的準(zhǔn)確率。
　　4)在基于關(guān)鍵幀姿態(tài)分析的基礎(chǔ)上,本文提出以混合小波矩作為人體運(yùn)動行為的描述特征,通過對混合

6、小波矩參數(shù)的優(yōu)化,有效地降低噪聲的干擾,實(shí)現(xiàn)了特征向量的簡化;同時依據(jù)人體運(yùn)動序列的馬爾科夫性質(zhì),訓(xùn)練建立人體行為樣本的隱馬爾科夫模型,比較訓(xùn)練樣本和測試樣本中關(guān)鍵姿態(tài)圖像的相似度,將相似度最大的關(guān)鍵姿態(tài)圖像的混合小波矩特征值完成人體行為的動作編碼,作為隱馬爾可夫模型的輸入值;使用Baum-We lc h算法訓(xùn)練隱馬爾科夫模型,并采用Vete rb i算法對測試數(shù)據(jù)進(jìn)行行為分類與識別。實(shí)驗(yàn)證明,該方法對復(fù)雜行為達(dá)到了較高的識別率,對不同

7、類型的行為具有良好的通用性。
　　5)利用隱馬爾可夫模型模型產(chǎn)生的各個人體運(yùn)動行為矩陣,本文構(gòu)造了一種樸素貝葉斯組合分類器來實(shí)現(xiàn)人體行為分類。它把每個人體運(yùn)動的關(guān)鍵幀姿態(tài)作為一個狀態(tài)點(diǎn),通過將這些狀態(tài)點(diǎn)的概率信息聯(lián)合起來,那么任意運(yùn)動行為都能被視為是不同關(guān)鍵幀姿態(tài)所對應(yīng)狀態(tài)點(diǎn)的集合,經(jīng)過遍歷狀態(tài)點(diǎn)集合的聯(lián)合概率計(jì)算,則其中狀態(tài)似然概率的最大值可被選為待分類行為的所屬類別。實(shí)驗(yàn)證明,本文的方法表現(xiàn)出較好的識別性能、適用性能和校驗(yàn)性能