基于視頻序列的特定行為檢測研究.pdf

1、近十幾年來隨著計算機視覺技術(shù)的不斷發(fā)展，以及人們對安防需求的不斷提高，視頻中人體行為的識別也成為被研究最多的課題之一。該技術(shù)有著廣泛的實際應(yīng)用價值，例如：智能視頻監(jiān)控，人工智能，基于內(nèi)容的視頻檢索等。目前，由于互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展和成熟，越來越多的應(yīng)用場景涉及到視頻中人體行為的自動識別檢測。因此，研究人員提出了大量應(yīng)用于不同場合的識別算法，但是由于在實際場合應(yīng)用時會受到自身遮擋、背景突變等因素的影響，從而使得識別效果不是很理想。本文通過

2、對國內(nèi)外視頻中人體行為識別算法的研究，并對其進行改進，從而能夠提升識別率。主要思想是分別從目標檢測、目標跟蹤和行為分析三個方面進行研究，然后分別對三個方面進行改進，具體算法如下：
　　(1)目標檢測。本文目標檢測階段采用的是 ViBe算法，但是由于該算法自身的缺點是無法檢測相對靜止的目標。因此，本文對ViBe算法加以改進，提出了一種融合改進Canny算子的ViBe算法，用以提高目標的識別率。首先，該方法利用ViBe算法得到運動目標

3、所在的前景區(qū)域，然后利用改進的Canny算子對運動目標的進行輔助定位，最后將運動目標的前景區(qū)域和邊緣信息進行融合，已得到更為準確的運動目標的檢測效果。
　　(2)目標跟蹤。跟蹤學(xué)習(xí)檢測方法(Tracking-Learning-Detection, TLD)是一種對單目標進行長時間跟蹤的有效算法，近幾年該算法備受關(guān)注。該算法解決了跟蹤目標失蹤后不能重新捕捉的問題，但仍然存在諸多的缺點和不足。本文針對TLD算法的缺點進行適當(dāng)?shù)母倪M，改

4、進主要包括以下兩方面內(nèi)容：一方面，通過使用改進的卡爾曼濾波器，來增強TLD算法的可靠性；另一方面，為了提高系統(tǒng)實時性，在檢測器中對當(dāng)前幀運動目標所在區(qū)域進行預(yù)估，以達到減小檢測范圍。
　　(3)行為識別。為實現(xiàn)特征描述數(shù)據(jù)的降維，本文采用了傅里葉變換算法，這是因為相對于時域而言，頻域?qū)τ谀繕说淖兓⒉幻舾?；同時，時域選取光流場作為其特征描述，光流場對于目標動作、視角、背景等細微變化都比較敏感，從而能夠提高行為的識別率。