基于視頻序列的人體行為分類(lèi)及異常檢測(cè).pdf

1、近年來(lái)，隨著社會(huì)安防意識(shí)的不斷增強(qiáng)，視頻監(jiān)控系統(tǒng)得到了越來(lái)越多的重視。但是目前視頻監(jiān)控的智能化程度還不高，自動(dòng)地進(jìn)行人體行為分類(lèi)及異常行為檢測(cè)的技術(shù)還處于不斷探索之中。本文在現(xiàn)有成果的基礎(chǔ)上，對(duì)運(yùn)動(dòng)目標(biāo)的分割，行為表征，特征提取，行為分類(lèi)以及異常行為檢測(cè)等方面進(jìn)行了分析研究。
　　 在運(yùn)動(dòng)目標(biāo)檢測(cè)上，總結(jié)了當(dāng)前常用的幾種方法，提出了背景減除與邊緣提取相結(jié)合的目標(biāo)檢測(cè)算法。該算法主要是針對(duì)運(yùn)動(dòng)緩慢的人體目標(biāo)及人體只有某些部位發(fā)生位

2、移的情況，常規(guī)算法提取的人體輪廓是不完整的，本算法解決了這一問(wèn)題。
　　 在特征表征上，在原有的步態(tài)能量圖基礎(chǔ)上，提出了方差能量圖及圖像拆分算法。方差能量圖比原始的步態(tài)能量圖在識(shí)別率上明顯提高；圖像拆分在陰影及腳部遮擋等問(wèn)題上都具有較好的魯棒性。還提出了將“輪廓線到中心線的距離”作為信息特征進(jìn)行行為分類(lèi)，該算法比“輪廓線到中心點(diǎn)的距離”的識(shí)別率高出很多。
　　 研究了線性流形學(xué)習(xí)的幾種算法，提出了2D2MSDPCA和2D

3、2MSD兩種新的降維方法，它們不但克服了LDA的小樣本問(wèn)題，也增強(qiáng)了算法的行為分類(lèi)能力及魯棒性，最高識(shí)別率為100％。
　　 在異常行為檢測(cè)中，針對(duì)監(jiān)控畫(huà)面中運(yùn)動(dòng)目標(biāo)離攝像頭遠(yuǎn)近不同、在畫(huà)面中所處位置不同以及畫(huà)面傾斜等問(wèn)題，提出了改進(jìn)的Hu矩與改進(jìn)的Hausdorff距離的有效融合的方法進(jìn)行運(yùn)動(dòng)分析。將基于區(qū)域的離散Hu矩改為基于輪廓的離散Hu矩，并滿足矩的三個(gè)不變性，該算法數(shù)據(jù)簡(jiǎn)潔，運(yùn)算速度快；對(duì)Hausdorff距離進(jìn)行了改

4、進(jìn)，將求最大值做為距離判斷標(biāo)準(zhǔn)修改成為求均值，且去除方差最大的數(shù)據(jù)，該方法有效地剔除和平滑了噪聲，使識(shí)別率明顯提高；因?yàn)镠u矩提取全局不變量，全局噪聲經(jīng)常會(huì)淹沒(méi)相似圖像的細(xì)微差別，造成識(shí)別錯(cuò)誤。因此，在Hu矩的基礎(chǔ)上，將小波矩引入到異常行為檢測(cè)中。提出了小波輪廓矩的概念，小波輪廓矩計(jì)算量少；對(duì)小波輪廓矩的參數(shù)m、n、q的取值進(jìn)行了詳細(xì)的分析，并對(duì)n參數(shù)的取值進(jìn)行了改進(jìn)。將小波輪廓矩與改進(jìn)的Hausdorff距離融合，利用小波的時(shí)-頻特性