序列圖像中的人的檢測、跟蹤、動作識別的研究.pdf

1、本文主要研究視頻圖像中人的檢測和跟蹤以及人的動作識別。人的檢測、跟蹤和動作識別既是當前計算機視覺和人工智能領(lǐng)域研究的熱點也是難點之一。熱點在于它的應(yīng)用前景非常廣泛，無論是在視頻監(jiān)控、人機交互還是在視頻檢索等領(lǐng)域，都具有很大的應(yīng)用潛力。難點在于人的動作種類非常多，動作特征變化大，容易受環(huán)境影響等。本論文借鑒了目前應(yīng)用于動作識別的主流技術(shù)，如特征點、支持向量機、Mean-Shift等，提出了改進的方法，并通過實驗證明論文提出的方法在識別的準

2、確性和魯棒性方面有所提高。論文的主要創(chuàng)新點概述如下：
　　 ⑴提出了一種自然光條件下的顏色模型，并結(jié)合模板、圖模型和貝葉斯方法提出了一種行人的檢測方法?；陬伾治?，提出的顏色模型能夠較好的適應(yīng)光照和角度的變化。利用行人的特點進行模板檢測，提高了算法的效率。由于對象隨時間變化，可能改變尺度大小，又提出了一種結(jié)合二個參考節(jié)點的圖模型來檢測對象的位置和大小。
　　 ⑵改進了mean shift方法，提出一種基于模板的結(jié)構(gòu)化的

3、核函數(shù)的人的跟蹤方法。mean shift在很多的實驗研究中被證明能有效的跟蹤目標，它的問題在于跟蹤窗口的大小難于確定，易受環(huán)境的影響，并且在目標尺度變換的情況下，有可能會失效。本文根據(jù)跟蹤目標的特點，把目標分成幾個部分，每個部分有自己的特征，每個部分相互之間具有空間結(jié)構(gòu)關(guān)系，這樣就可以有多個具有空間位置關(guān)系的核函數(shù)分別跟蹤目標的每個部分。同時設(shè)計了一個簡潔有效的算法，使得在分別跟蹤目標的不同部分時相互約束，從而提高了跟蹤精度，實驗表明

4、其跟蹤的精度要優(yōu)于原有mean shift方法。
　　 ⑶提出一種結(jié)合輪廓特征和DTW來識別人的動作方法。DTW最初應(yīng)用于信號處理領(lǐng)域，并在語音識別中也發(fā)揮了重要作用，但在應(yīng)用于動作識別時，需要解決如何求得不同序列中對應(yīng)節(jié)點距離的問題。由于人的動作序列是一組由前后次序關(guān)系的動作姿態(tài)構(gòu)成的序列，而輪廓信息能夠較好的抓住不同動作的姿態(tài)，且DTW能夠比較具有先后時間關(guān)系的序列的相似度，所以提出一種結(jié)合輪廓信息和DTW得到序列之間的距離

5、，并用最近鄰法識別不同的動作類型，此外還實現(xiàn)了一個高效的輪廓匹配方法。實驗證明所提方法能夠在較短時間內(nèi)檢測出不同的動作類型。
　　 ⑷提出一種SVM-SMM人的動作識別方法，該方法利用半馬爾科夫(SMM)為動作序列建立模型，并用支持向量機(SVM)通過訓(xùn)練得到模型參數(shù)。這里的動作識別是指對一個包含不同動作類型的連續(xù)的動作序列的識別，因此該動作識別的本質(zhì)也是一個動作分割問題，即在一個動作序列中，根據(jù)不同的動作分割成序列段，并分別加

6、以識別。SMM的優(yōu)點在于它能夠為段以及段與段之間的關(guān)系建立模型，而該模型的參數(shù)是通過廣義SVM方法學(xué)習(xí)得到。實驗表明所提出的SVM-SMM方法要優(yōu)于HMM-SVM和SVM方法。
　　 ⑸在DTW和編輯距離(edit distance)基礎(chǔ)上，提出了一種彈性序列關(guān)聯(lián)方法(ESC)來進行動作的分割和識別，并進而把該方法應(yīng)用于視頻中動作的檢索。實驗表明該方法不僅提高了識別率，而且提高了搜索效率。
　　 ⑹在特征點的基礎(chǔ)上，利用