学位论文 > 优秀研究生学位论文题录展示

人体异常行为识别算法研究与实现

作　者: 胡栋
导　师: 雷航
学　校: 电子科技大学
专　业: 计算机应用技术
关键词: OPENCV 异常行为支持向量机动态能量特征马尔克夫随机场
分类号: TP391.41
类　型: 硕士论文
年　份: 2010年
下　载: 388次
引　用: 2次
阅　读: 论文下载

内容摘要

智能监控系统主要基于图像处理,人工智能及模式识别等技术。对这种系统的研究有如下几个方面:①运动前景的提取,②目标分割及辨识,③目标跟踪,④行为识别及归类。本文针对的对象式是人体,且主要对异常行为的识别进行研究。本文首先简单的介绍了整个监控系统所需的主要数字图像处理技术。针对传统方法去噪处理效果不佳的问题,采用了自适应的高斯背景更新模型对前景进行提取,并提出了基于三通道分离的背景差分改进算法。本文接下来研究了监控视频中人体的异常行为。针对不同的应用场景,可将问题分类为单人的行为判别,少数人之间的突发暴力行为以及群聚事件。由于各情况下图像反映的特征信息不同,本文将采用3种方法对它们进行处理。在单人情况下,这里采用了近景摄像头,这样能清晰的提取目标的外部结构及几何特征。再根据支持向量机(Support Vector Machine,SVM)理论,利用计算机较强的学习能力,对输入的视频进行训练,分类和识别。针对少数人之间的异常行为,本文采用两人间的打斗视频。首先提取两个关键的动态特征:速度幅值及方向角的变化率。它们能反映目标的剧烈且不规则的变化,作者由此归纳出整个视频能量的动能部分。另一方面,人与人间距离越近则发生异常行为的几率越大,作者根据天体间的万有引力归纳出势能部分。将两部分加权后总结出视频中每帧的总能量,根据它判断监控范围内是否发生了异常。在广场等环境下,摄像头监控的范围较广,视频中的人体的具体特征也不明显。因此作者在Markov理论的基础上,将图像中的每个像素点视为马尔克夫随机场(Markov Random Field,MRF)中的一点,分别总结出能量函数的时间场和空间算子,由此得到基于时空的MRF方法,用于辨识群聚事件。

全文目录

摘要  4-5
ABSTRACT  5-9
第一章绪论  9-14
  1.1 背景及意义  9-10
  1.2 研究现状  10-12
  1.3 本文研究内容及结构安排  12-14
    1.3.1 研究内容  12-13
    1.3.2 文章结构安排  13-14
第二章图像预处理技术研究  14-29
  2.1 OpenCV 介绍  14-17
    2.1.1 基本应用  14-15
    2.1.2 目录结构  15
    2.1.3 常用数据结构  15-17
  2.2 监控系统流程  17-18
  2.3 前景提取  18-25
    2.3.1 背景更新  18-22
      2.3.1.1 自适应高斯混合模型  19
      2.3.1.2 参数更新  19-20
      2.3.1.3 背景估计  20-21
      2.3.1.4 实验结果  21-22
    2.3.2 三通道分离对背景差分法的改进  22-25
      2.3.2.1 颜色空间介绍  22-23
      2.3.2.2 三通道分离法  23-24
      2.3.2.3 实验结果  24-25
  2.4 连通性判断及去噪算法  25-28
    2.4.1 连通性定义  25
    2.4.2 去噪处理算法  25-28
  2.5 本章小结  28-29
第三章基于静态几何特征的单人行为识别算法  29-42
  3.1 特征选取  29-32
    3.1.1 倾斜角度  30-31
    3.1.2 最小外接矩形MER 与紧密度  31-32
    3.1.3 凹凸度  32
    3.1.4 外接矩形长宽比及变化率  32
  3.2 异常行为的归类  32-33
  3.3 支持向量机  33-34
    3.3.1 支持向量机理论  33-34
    3.3.2 步骤  34
  3.4 实验分析  34-41
    3.4.1 实验步骤  34-35
    3.4.2 算法流程及核心代码分析  35-38
    3.4.3 实验结果  38-41
  3.5 本章小结  41-42
第四章基于 MEF 的打斗行为识别算法  42-56
  4.1 跟踪方法介绍  42-43
  4.2 传统的光流动态特征  43-45
    4.2.1 特征获取  43-44
    4.2.2 寻找速度阈值Vmin 的新方法  44-45
  4.3 利用MEF 对光流特征的改进  45-48
    4.3.1 速度方向角  46-47
    4.3.2 方向角的角度差  47-48
    4.3.3 目标团块间的距离  48
  4.4 基于动态能量特征的新方法  48-50
    4.4.1 质量权重mi,j(n)  48
    4.4.2 动能部分  48-49
    4.4.3 势能部分  49-50
  4.5 实验分析  50-55
    4.5.1 算法流程及核心代码分析  50-52
    4.5.2 后期数据处理  52-54
      4.5.2.1 积分处理  53-54
      4.5.2.2 机器学习  54
    4.5.3 分析及结论  54-55
  4.6 本章小结  55-56
第五章基于时空 MRF 的群聚行为识别算法  56-69
  5.1 Markov 链  56
  5.2 基于时空的MRF 模型  56-59
    5.2.1 马尔克夫随机场  57
    5.2.2 n 阶邻域  57-58
    5.2.3 吉布斯随机场  58-59
    5.2.4 MRF 与Gibbs 随机场的等价性  59
  5.3 视频流中的能量势函数  59-61
    5.3.1 传统的能量势函数模型  59-61
  5.4 时间场对能量势函数的改进  61-64
    5.4.1 Bayes 定理  61
    5.4.2 观测场  61
    5.4.3 寻找标记场的改进算法  61-63
    5.4.4 时间场  63
    5.4.5 平衡因子的确定  63-64
  5.5 实验分析  64-68
    5.5.1 算法流程及核心代码分析  64-66
    5.5.2 与MEF 方法的比较  66-68
  5.6 本章小结  68-69
第六章总结与展望  69-71
  6.1 总结  69-70
  6.2 展望  70-71
致谢  71-72
参考文献  72-75
攻读硕士学位期间取得的研究成果  75-76

人体异常行为识别算法研究与实现

内容摘要

全文目录

相似论文