论文部分内容阅读
在工业生产现场、生活社区、安全要求敏感等场合,视频监控有重要应用价值,对维护国家及公共安全有现实意义。人的异常行为检测和识别是提高视频监控智能化程度的一个主要途径,它融合了计算机视觉、模式识别、心理学、生理学等多项技术。目前大多数监控系统没有充分发挥主动监督作用,对异常状况的监视仍然由人工完成。由于庞大的数据量及人为因素的影响,监测效果令人堪忧。因此,在视频序列中进行异常行为的检测与分析十分重要。
本文基于该领域已有的相关算法和理论,从准确分割运动目标、确定跟踪对象、异常行为定义及分析几个关键点入手,展开研究,主要工作及具体内容如下:⑴提出异常行为检测系统的总体设计目标,规划了实施方案,搭建了硬件平台;⑵在运动目标检测中,首先将与设备相关的RGB色彩图像转换为与人体视觉感知相似的HSI彩色空间图像,从中提取色度和亮度特征,使分割特征满足在光照变化和复杂背景情况下的可区分性。然后,应用基于中值滤波背景模型的背景减法提取前景图像,通过连通域分析获取人体目标的位置信息;⑶选择近似刚体的头部作为跟踪对象,研究了经典的“凸”型模板头部定位方法,针对其存在的问题提出相应的算法。选择运算效率高的列积分图方法快速计算模板的评价函数值,提出粗一精多步搜索策略解决头部面积变化和位置偏离躯干中线等情况下的准确定位。以竖直椭圆代替头部区域,然后提取其内颜色特征,采用基于Mean Shift算法的粒子滤波方法实现运动人体跟踪;⑷给出了三种具有隐蔽性的异常特征的定义,利用实时获取的目标最小外接矩形的高宽及高宽比信息、融合空间信息的人体头部区域颜色特征作为异常行为的原始数据,以曲线形式直观表示几种行为,通过建立相关数学模型判别异常行为;⑸进行了大量的对比性实验,为算法设计提供了事实依据。完成了系统软件设计,通过对多组实时视频序列的处理,结果表明本文设计的人体异常行为分析系统具有较高的识别性能,满足设计要求。