智能監(jiān)控系統(tǒng)中人體及其多種姿態(tài)的識別技術研究.pdf

1、智能視覺監(jiān)控技術是計算機視覺領域一個新興的應用方向和備受關注的前沿課題，監(jiān)控的目的常常是對監(jiān)控場景中的異常情況或監(jiān)控對象的異常行為進行檢測、分析，因此，對人的多種姿態(tài)進行識別有著十分重要的意義。本文針對戶外智能監(jiān)控中車輛、人體直立、哈腰、匍匐三種姿態(tài)的識別方法進行了研究。
　　 首先，為了便于車輛及三種人體姿態(tài)識別的研究，建立了樣本庫，每種目標均采用了不同大小、多種方位的實物進行拍攝，每種樣本的數(shù)量為200幅。為了進行多種目標識

2、別方法的研究，提取了多種特征參數(shù)，如寬高比、慣性主軸角、矩形度、形狀復雜度、離心率等，并研究了多種細化算法及輪廓提取算法，細化算法包括OPTA細化算法、Zhang 細化算法、Rosenfeld細化算法、橫井法細化算法，在對四種細化算法進行比較后發(fā)現(xiàn)橫井法細化方法速度較快，細化效果較好，但存在細化不太徹底及細化不平滑的問題，因此，對其進行改進，改進后的算法細化效果更加徹底、平滑，利用細化后的目標及原目標二值圖設計了雙腿搜素算法及頭部搜素算

3、法，從而為后續(xù)決策樹式識別方法的研究做好了準備。
　　 其次，為了尋找到一種較好的識別方法，對一般常用的識別方法進行了研究，包括多種不變矩方法、RBF 神經(jīng)網(wǎng)絡分類法及支持向量機分類法，實驗表明多種不變矩方法不適于多種人體姿態(tài)的識別，而RBF 神經(jīng)網(wǎng)絡及支持向量機方法的分類性能對運動目標特征量的依賴性較大，在初次嘗試提取三種特征量進行分類后，發(fā)現(xiàn)正面哈腰人體與直立人體不能較好的區(qū)分。
　　 因此，提出了基于投影直方圖的特

4、征量提取方法，利用此特征量進行訓練、分類，可得到較好的識別效果，平均識別率達到96％。此外，由于神經(jīng)網(wǎng)絡及支持向量機的內(nèi)部結構較為復雜，設計實現(xiàn)時步驟較為繁瑣，而且需要大量樣本進行訓練。因此，提出了一種結構簡單、便于理解的識別方法研究，基于決策樹式的識別研究。
　　 最后，由于決策樹具有把復雜分類問題分解為多個簡單分類問題的特點，同時可以把人的經(jīng)驗知識加入其中，采取小樣本就可設計實現(xiàn)，所以又進行了基于決策樹的人體及其姿態(tài)的識別研

5、究。識別原理為：首先利用矩形度與形狀復雜度變化率將車輛與人體區(qū)分出來，然后使用寬高比粗略估計出人體目標，進一步搜素人體雙腿或頭部從而確定人體，最后利用頭部與腿部位置的匹配判定人體姿態(tài)，系統(tǒng)通過多幀綜合判別的結果最終確定了目標種類及人體姿態(tài)?？紤]到監(jiān)控系統(tǒng)中多目標同時出現(xiàn)的幾率較大，因此在單目標識別的基礎上，提出了多運動目標的識別方法，利用對各目標輪廓跟蹤的方法將其標記，單獨提取后進行識別分析，達到多目標中單目標提取、識別的目的。