智能視覺監(jiān)控中運動目標檢測與行為識別方法.pdf

1、智能視覺監(jiān)控作為近年來計算機視覺領域的研究熱點,也是計算機應用領域內(nèi)的關注重點,它的主要職責是利用視覺計算技術、圖像視頻處理技術以與及模式識別人工智能技術實現(xiàn)所監(jiān)控場景的自主圖像處理、分析和理解。其相關研究成果已經(jīng)在智能交通管理、社會公共安全管理、人機交互技術、智慧城市建設、智慧醫(yī)療建設等諸多方面發(fā)揮出巨大的社會效益和經(jīng)濟效益。
　　本文從智能視覺監(jiān)控的理論研究和實際應用出發(fā),通過對智能視覺監(jiān)控發(fā)展現(xiàn)狀和國內(nèi)外研究動態(tài)的討論,引出

2、了論文的相關工作:
　　1)運動目標的實時檢測,通過對現(xiàn)有背景建模算法優(yōu)劣的比較分析,將混合高斯模型以及背景檢測與時間差分法進行有效改進,并重點研究了碼本模型在運動目標檢測中的應用。針對原始碼本模型對動態(tài)背景適應力不強以及更新效率較低的問題,提出了一種基于時間序列統(tǒng)計的改進碼本模型的運動目標檢測算法。該算法會自動將擊中數(shù)量最大的碼元放置在碼本模型的頂端,實現(xiàn)碼元成功匹配概率的顯著增加;同時在模型更新時摒棄逐幀更新的方式,采用一種緩

3、存更新的策略。實驗表明,該方法不僅可以消除動態(tài)因素引起的誤檢,還可魯棒地處理多運動目標、光照變化等動態(tài)場景的目標檢測問題。
　　2)運動目標的實時跟蹤,本文針對傳統(tǒng)均值漂移算法無法融入目標的空間信息,以及當運動目標顏色分布與監(jiān)控場景的顏色分布相近時容易發(fā)生目標跟蹤失敗和目標丟失的問題,提出了一種基于團塊信息的運動目標跟蹤算法。該算法通過運動目標的最小外接矩形、運動目標的水平投影和垂直投影信息確定運動目標的分塊劃分,并根據(jù)各分塊的B

4、hattacharyya系數(shù)值確定各塊的權重系數(shù);同時通過引入卡爾曼濾波預測團塊目標的可能位置,有效地優(yōu)化了均值漂移算法的計算效率。實驗表明,該跟蹤方法不僅可以自適應地確定目標分塊,而且在部分遮擋和形變等情況下比傳統(tǒng)的均值漂移算法具有更好的跟蹤準確性和魯棒性。
　　3)運動目標行為分析方面,本文針對人體運動行為分類時的有效特征選擇問題,提出一種基于關鍵幀特征匹配的運動行為分類算法。它利用人體行為在時間序列上生成關鍵姿態(tài)集合的特點,

5、通過人體行為的周期特性分析總結出人體最小外接矩形的寬高比與關鍵姿態(tài)之間的關聯(lián)關系。通過利用圖像的混合小波矩特征建立關鍵姿態(tài)模板,計算檢測樣本與關鍵姿態(tài)模板之間距離的平均值與最小方差的加權最小值來評判圖像的相似程度,從而判別測試樣本所屬行為類別。實驗證明,該方法從可以實現(xiàn)同一段時間內(nèi)不同動作變速動作的分類,有效提高人體行為分類的準確率。
　　4)在基于關鍵幀姿態(tài)分析的基礎上,本文提出以混合小波矩作為人體運動行為的描述特征,通過對混合

6、小波矩參數(shù)的優(yōu)化,有效地降低噪聲的干擾,實現(xiàn)了特征向量的簡化;同時依據(jù)人體運動序列的馬爾科夫性質(zhì),訓練建立人體行為樣本的隱馬爾科夫模型,比較訓練樣本和測試樣本中關鍵姿態(tài)圖像的相似度,將相似度最大的關鍵姿態(tài)圖像的混合小波矩特征值完成人體行為的動作編碼,作為隱馬爾可夫模型的輸入值;使用Baum-We lc h算法訓練隱馬爾科夫模型,并采用Vete rb i算法對測試數(shù)據(jù)進行行為分類與識別。實驗證明,該方法對復雜行為達到了較高的識別率,對不同

7、類型的行為具有良好的通用性。
　　5)利用隱馬爾可夫模型模型產(chǎn)生的各個人體運動行為矩陣,本文構造了一種樸素貝葉斯組合分類器來實現(xiàn)人體行為分類。它把每個人體運動的關鍵幀姿態(tài)作為一個狀態(tài)點,通過將這些狀態(tài)點的概率信息聯(lián)合起來,那么任意運動行為都能被視為是不同關鍵幀姿態(tài)所對應狀態(tài)點的集合,經(jīng)過遍歷狀態(tài)點集合的聯(lián)合概率計算,則其中狀態(tài)似然概率的最大值可被選為待分類行為的所屬類別。實驗證明,本文的方法表現(xiàn)出較好的識別性能、適用性能和校驗性能