基于改進的稀疏重構(gòu)算法行人異常為分析.pdf

1、視頻監(jiān)控中人體異常行為分析是智能視頻監(jiān)控領(lǐng)域中重要的研究方向，通過利用計算機視覺技術(shù)對視頻內(nèi)容分析達到對人體異常行為進行智能檢測的目的，這樣可以過濾掉監(jiān)控視頻中大量對安防無用的信息，節(jié)約了大量的人力，并解決了傳統(tǒng)監(jiān)控系統(tǒng)的事后性。本文針對視頻監(jiān)控中運動人體的行為進行分析研究，具體涉及到目標跟蹤和人體行為分析兩部分。
　　目前，大量跟蹤算法都存在跟蹤速度慢、算法魯棒性低、計算量大以及錯誤跟蹤等問題。針對目標跟蹤存在的跟蹤速度慢及錯誤

2、跟蹤的問題，本文在時空上下文算法的基礎(chǔ)上結(jié)合卡爾曼濾波器來進行目標跟蹤，較好的解決了這些問題。時空上下文算法通過學(xué)習目標局部時空上下文模型，計算結(jié)合目標的時空上下文的置信圖，以此估計最佳目標位置。該算法的特點是，針對單一背景和單一目標進行追蹤，由于時空模型的學(xué)習和目標的檢測都是通過傅里葉變換來實現(xiàn)的，所以學(xué)習和檢測的速度都比較快，但該方法只解決了部分遮擋問題。針對這些局限性和缺點，我們在時空上下文算法的基礎(chǔ)上加入了卡爾曼濾波器來預(yù)測目標

3、的運動狀態(tài)，能夠處理較復(fù)雜背景中多目標的暫時遮擋問題，提高了跟蹤精度。
　　在異常分析方面，利用運動軌跡來分析目標行為的方法受到越來越多的關(guān)注。基于模型的軌跡分析方法，首先需要對軌跡進行預(yù)處理，然后提取軌跡的局部細節(jié)信息，最后判斷異常，因此檢測速度較慢;基于目標高層次意向性特征的軌跡分析方法，速度較快，但是由于異常檢測部分用到了粒子濾波，因此需要用大量的樣本數(shù)量才能很好地近似系統(tǒng)的后驗概率密度，導(dǎo)致算法的復(fù)雜度較高。本文通過改進的