視頻監(jiān)控中的人體異常行為識別.pdf

1、隨著信息技術(shù)逐漸向智能化和數(shù)字化的高速發(fā)展以及人們安全意識的提高，智能視頻監(jiān)控發(fā)揮著越來越重要的作用。其中，人體異常行為的理解與識別作為智能視頻監(jiān)控的高級階段，通過對人體目標(biāo)的特征提取、描述和分析，實(shí)現(xiàn)對人的個(gè)體動作、人與人之間以及人與外界環(huán)境之間的交互行為的理解和識別，以達(dá)到對突發(fā)事件的監(jiān)控和預(yù)警的目的。
　　論文研究了視頻監(jiān)控中的人體異常行為識別方法，通過對視頻圖像的分析，設(shè)計(jì)了人體異常行為識別的算法流程。本文從運(yùn)動人體目標(biāo)分

2、割、基于模板匹配的人體行為識別、復(fù)雜背景下人體目標(biāo)的跟蹤以及基于運(yùn)動軌跡的人體異常行為識別四個(gè)部分對人體異常行為識別算法進(jìn)行了研究。
　　運(yùn)動人體目標(biāo)分割是實(shí)現(xiàn)人體異常行為識別的基礎(chǔ)，本文使用三幀差法、背景減除法以及混合高斯法進(jìn)行運(yùn)動目標(biāo)的檢測，從魯棒性以及實(shí)時(shí)性的角度對各個(gè)算法進(jìn)行了分析，并根據(jù)本文實(shí)驗(yàn)場景確定了相應(yīng)的運(yùn)動目標(biāo)檢測方法。
　　基于模板匹配的人體行為識別方法建立在準(zhǔn)確的運(yùn)動人體目標(biāo)分割的基礎(chǔ)之上。本文在傳統(tǒng)H

3、u不變矩的基礎(chǔ)上進(jìn)行擴(kuò)展、修正、歸一化，采用最小方差作為判定準(zhǔn)則，構(gòu)造加權(quán)Hu矩,從而獲取了圖像的更多細(xì)節(jié)信息，在離散情況下具有比例縮放不變性的特點(diǎn)，且充分考慮各個(gè)Hu不變矩的貢獻(xiàn)值，使得識別性能有了一定的提升。此外，本文提出了一種基于加權(quán)Hu矩和HOG特征的自適應(yīng)融合行為識別方法，可以根據(jù)場景的噪聲情況自適應(yīng)的調(diào)整特征融合的參數(shù)，與單一的HOG或者加權(quán)Hu矩的識別方法相比，適用范圍更廣，對噪聲的容忍度更高，識別率更穩(wěn)定。
　　復(fù)

4、雜背景下的人體目標(biāo)跟蹤方面，本文在傳統(tǒng)的MeanShift跟蹤算法的基礎(chǔ)上，對多特征融合的MeanShift跟蹤算法進(jìn)行了介紹。針對傳統(tǒng)的MeanShift跟蹤算法在目標(biāo)和背景的灰度特征接近時(shí)，跟蹤性能較差的缺點(diǎn)。提出了基于灰度和HOG特征融合的MeanShift跟蹤算法，將目標(biāo)的灰度特征與區(qū)域特征相結(jié)合，以達(dá)準(zhǔn)確定位，穩(wěn)定跟蹤的目的。
　　基于運(yùn)動軌跡的人體異常行為識別建立在穩(wěn)定跟蹤的基礎(chǔ)之上，通過對軌跡分析有效地實(shí)現(xiàn)越線、徘徊