視頻監(jiān)控系統(tǒng)中基于神經網絡的人物行為識別研究.pdf

1、近些年來，人體行為識別的研究已經成為計算機視覺中的研究熱點。人體行為識別屬于高級視覺分析，它是人體運動分析的重要組成部分。人體行為識別具有廣泛的應用前景和潛在的經濟價值，主要體現(xiàn)在智能監(jiān)控、視頻會議、高級人機交互、醫(yī)療診斷以及基于內容的圖像存儲與檢索。然而，在現(xiàn)實生活中由于環(huán)境的多樣性、行為序列中各姿態(tài)的非剛性以及行為類別的模糊定義，使得人體行為識別的研究成為一個非常具有挑戰(zhàn)性的課題。
　　 隨著研究學者對行為識別研究的不斷深入

2、，提出了大量的行為識別方法，根據(jù)行為描述方法的不同，大體上可分為基于運動特征和基于形狀特征兩類識別方法。但是，目前的計算機視覺技術很難準確地從視頻中提取出人的運動特征，而形狀特征容易獲得且對紋理變化不敏感，所以形狀特征在行為識別中得到廣泛的應用。在人體行為識別中，為了描述人體運行的模式。采用運動歷史圖形的方法進行運動的表示。本文中的運動歷史圖像事從人體行為圖像序列中提取出來的，它事一種時空模型，既能表明行為發(fā)生的區(qū)域，也能表示行為是如何

3、發(fā)生的，其中每個像素值都是運動歷史的函數(shù)。
　　 本文提出了基于Zernike矩的人體行為識別方法。利用Zernike矩的旋轉不變性以及Zernike矩可以構造任意高階矩的特點，Zernike矩的識別效果優(yōu)于其他方法，用Zernike矩方法來進行特征提取，把運動歷史圖像進行規(guī)范化的方法來進行運動的表示。應用改進的Boosting算法進行特征分類，通過改進的Boosting方法對RBF神經網絡進行加強，得到一個使用若分類算法但同時