论文部分内容阅读
基于视觉的运动人体行为识别是计算机视觉和机器学习等领域的热门研究方向,在智能监控、人机交互等方面有着十分重要的应用价值。本文在运动目标的检测、特征提取和描述、人体行为识别三个方面进行了研究,主要工作和成果如下:1.在运动目标检测上,本文以视觉背景提取算法(Vi Be)算法为基础,提出一种鲁棒的自适应视觉背景提取算法(RAViBe)。RAViBe采用鲁棒的基于图像对比度的背景建模方法,采用自适应的背景更新与目标分类方法来进行运动目标检测。实验结果表明,与ViBe算法相比,RAVi Be算法在保证了算法简洁高效的同时,在运动目标检测中能获得更好的检测效果,能快速有效地消除鬼影区域,并且在光照变化的情况下保证算法的鲁棒性。2.在特征提取和描述上,本文提出一种基于块直方图的融合特征描述子(BBHFFD),提取运动区域中的剪影特征与光流特征合并成融合特征,并采用基于块直方图的方式加以描述。在此基础上,本文采用判别公共向量(DCV)的方法对融合特征进一步降维,并提出一种改进的快速判别公共向量(FDCV)的方法,用标量分类代替原算法中的向量分类。实验结果表明,与单一特征相比,采用融合特征在行为识别时能获得更高的识别率;同时,与DCV相比,采用FDCV能在保证识别率的前提下,将目标分类的计算速度提高约两倍。3.在基于状态空间的人体行为识别上,本文将SVM-HMM混合模型引入人体行为识别中,用属于判别式模型的支持向量机(SVM)来替代属于产生式模型的GMM模块,使得在训练样本不足的情况下能获得更优的分类性能。实验结果表明,与GMM-HMM相比,SVM-HMM混合模型在短序列视频中获取了更高的识别率。而在长视频序列的识别上,得益于HMM对时间序列的建模能力,SVM-HMM混合模型同样取得了较好的识别率。4.在基于规则的人体行为识别上,本文提出一种基于遗传算法规则进化的人体行为识别方法,为人体行为设定一组约束条件作为规则,同时将遗传算法应用于规则的更新上,使规则能得到不断地进化从而获得自适应能力。实验结果表明,与初始规则相比,进化得到的规则能在人体行为识别中获得更高的识别率。5.结合以上的研究工作,针对水电站异常行为监控的应用环境,在windows平台下结合OpenCV实现了人体异常行为监控系统。系统通过训练,能在固定场景中对异常行为进行识别并显示报警信息。