基于視頻流的人體目標檢測與行為識別研究.pdf

1、基于視頻流的目標檢測、跟蹤與識別是計算機視覺和模式識別領域的熱點問題,在智能視頻監(jiān)控、高級人機交互、移動機器人定位與導航、虛擬現實等領域具有廣泛的應用前景。經過幾十年學者們的不懈努力,上述技術已經有了較多的研究成果。由于視覺應用系統(tǒng)中環(huán)境的復雜性以及目標本身的多樣性,給目標檢測、跟蹤和識別技術帶來了極大的困難。實踐表明一般意義上的目標檢測、跟蹤與識別技術還遠未成熟,距離實用化尚存在一定差距,還需要開發(fā)出更為實用魯棒的算法。本論文從理論和

2、實際應用的角度出發(fā),對以視頻為輸入的運動目標識別的相關關鍵技術進行研究,研究內容主要涉及運動目標的檢測、運動目標的跟蹤、運動特征的表征和識別方法等。
　　本文研究了背景建模方法,提出了一種基于像素統(tǒng)計分類的視頻流目標檢測算法,借助把圖像的像素值看成是前景高斯分布和背景高斯分布的組合,進行背景估計和自適應背景更新;以統(tǒng)計當前幀前景像素的點數來判定光照突變,并結合幀間差分法來檢測運動目標。仿真實驗表明,該算法可以實時準確地檢測出前景運

3、動目標,具有更強的適應性。通過復雜背景下的人臉檢測實驗表明,該算法在基于膚色信息的人臉檢測中也具有一定的實際應用價值。本文還提出了一種基于鏈碼標定的圓檢測算法,利用數學形態(tài)學方法有效地去噪填充和提取二值圖像的邊緣,再利用鏈碼方法確定圓度參數。實驗表明,該算法簡單有效,計算精度小于1個像素,具有較好的實用效果。
　　針對多目標跟蹤問題,本文提出了融合角點特征的多目標跟蹤算法。利用改進的Harris算子提取運動目標的均勻穩(wěn)定的特征點,

4、通過特征匹配和匹配優(yōu)化,完成視頻運動多目標的跟蹤。跟蹤實驗表明,該算法能夠完成視角變化、旋轉、仿射變換、光照變化等多種情況下的穩(wěn)定匹配,可以實現小部分遮擋狀態(tài)下目標的穩(wěn)定跟蹤。本文研究了經典的 Mean shift跟蹤算法,由于該算法對于快速運動的目標跟蹤是無效的,而且還存在誤差累積的問題,因此本文提出了基于質心加權的 Kalman濾波的跟蹤算法。利用背景差鎖定動態(tài)目標跟蹤區(qū)域,在目標跟蹤開始時利用Kalman濾波來預測目標的位置,然后

5、采用質心加權算法優(yōu)化修正跟蹤目標的位置,并以修正后的狀態(tài)預測值進行觀測更新,進而實現對跟蹤目標較為精確的定位。經過仿真實驗分析,該算法在有效檢測到運動物體的同時能夠快速準確地跟蹤運動物體,具有較好的實時性與較強的魯棒性。
　　針對復雜多變光照下的人臉識別問題,本文提出了基于LBP算子與EMD的人臉識別算法,首先對圖像進行一系列簡單有效的預處理以提高算法的魯棒性,然后提取圖像的局部LBP特征,獲得圖像的LBP直方圖。采用EMD方法對

6、LBP直方圖進行計算,完成對圖像相似性的度量。在 GTAV標準人臉庫上實驗結果表明,該算法顯著提高了識別率。人體行為識別與理解屬于更高一層的視覺任務。本文在探討了各種人體行為識別算法的基礎上,提出了一種基于時空興趣點的人體行為識別算法,采用3D Harris角點提取不同行為的時空特征,然后采用K-means聚類和LLE結合的方法對提取的運動特征進行降維和分類,訓練識別過程則采用平均Hausdorff距離的幾何特征方法完成相似性配準。KT