基于視覺的運動人體特征描述與行為識別研究.pdf

1、基于視覺的運動人體行為識別是計算機視覺和機器學習等領域的熱門研究方向，在智能監(jiān)控、人機交互等方面有著十分重要的應用價值。
　　本文在運動目標的檢測、特征提取和描述、人體行為識別三個方面進行了研究，主要工作和成果如下:
　　1.在運動目標檢測上，本文以視覺背景提取算法(ViBe)算法為基礎，提出一種魯棒的自適應視覺背景提取算法(RAViBe)。RAViBe采用魯棒的基于圖像對比度的背景建模方法，采用自適應的背景更新與目標分類方

2、法來進行運動目標檢測。實驗結果表明，與ViBe算法相比，RAViBe算法在保證了算法簡潔高效的同時，在運動目標檢測中能獲得更好的檢測效果，能快速有效地消除鬼影區(qū)域，并且在光照變化的情況下保證算法的魯棒性。
　　2.在特征提取和描述上，本文提出一種基于塊直方圖的融合特征描述子(BBHFFD)，提取運動區(qū)域中的剪影特征與光流特征合并成融合特征，并采用基于塊直方圖的方式加以描述。在此基礎上，本文采用判別公共向量(DCV)的方法對融合特征

3、進一步降維，并提出一種改進的快速判別公共向量(FDCV)的方法，用標量分類代替原算法中的向量分類。實驗結果表明，與單一特征相比，采用融合特征在行為識別時能獲得更高的識別率;同時，與DCV相比，采用FDCV能在保證識別率的前提下，將目標分類的計算速度提高約兩倍。
　　3.在基于狀態(tài)空間的人體行為識別上，本文將SVM-HMM混合模型引入人體行為識別中，用屬于判別式模型的支持向量機(SVM)來替代屬于產生式模型的GMM模塊，使得在訓練樣

4、本不足的情況下能獲得更優(yōu)的分類性能。實驗結果表明，與GMM-HMM相比，SVM-HMM混合模型在短序列視頻中獲取了更高的識別率。而在長視頻序列的識別上，得益于HMM對時間序列的建模能力，SVM-HMM混合模型同樣取得了較好的識別率。
　　4.在基于規(guī)則的人體行為識別上，本文提出一種基于遺傳算法規(guī)則進化的人體行為識別方法，為人體行為設定一組約束條件作為規(guī)則，同時將遺傳算法應用于規(guī)則的更新上，使規(guī)則能得到不斷地進化從而獲得自適應能力。