论文部分内容阅读
在人机交互领域的识别系统,基于机器视觉人体特征识别技术作为一支新生力量以其突出的优势,越来越引起广泛的关注。人体行为特征识别是计算机视觉和数字图形处理相互融合的一个重要的研究方向,本文研究核心内容是如何从机器视觉中利用人体的特征转换为控制语言或者信息,通过检测、跟踪人体部位,获得人体特征的数据,并在此基础上建立人体特征的模型或描述人体特征的样本。这将是本课题研究的主要难点之一,也是近年来备受研究者关注的前沿方向。首先,本文针对原始图像的噪音污染的特点,提出了一种基于动态窗口的自适应中值滤波法。该算法根据噪声污染面积大小,自动改变滤波窗口的大小将噪声予以去除,利用这一技术的优点可以处理高密度、概率的脉冲噪声,同时保留图像的细节,使得异常行为识别更加精确。其次,在运动目标检测阶段,本文利用加权阂值背景减除法对视频序列进行运动目标检测,引入加权系数,有效分割背景和运动目标,采用混沌粒子群搜索方法,进一步提高了迭代速度。然后,运用kalman算法来确定跟踪目标的初始位置,然后融合边缘特征的Mean Shift算法有效实现运动目标跟踪。最后,利用最外轮廓特征提取算法和Hu不变矩描述人体运动姿态,然后对人体姿态进行归一化处理,将不同高度的人体映射到一个相同区间的空间内,选取了9个特征向量集作为BP神经网络输入,通过训练神经网络使其对异常行为有了一定记忆,在实际应用时能自动将人体异常识别出来并产生警报。本文采用中国科学院自动化的人体行为数据库和VVeizmann行为数据库进行训练和识别。经过大量的实验证明,本文提出的基于最外轮廓和Hu不变矩能够比较精确的描述人体运动特征,L-M优化算法的BP网络收敛速度优于其他收敛算法。本设计可应用于各种视频监控要求较高的场合,也可作为一个实验平台把人体异常识别技术的研究扩展到更深层次,例如图像检索、智能感知和医学诊断等,应用前景广泛。