運動目標(biāo)檢測及其行為分析研究.pdf

1、視頻分析作為主動視覺信息挖掘的重要工具在目標(biāo)發(fā)現(xiàn)、目標(biāo)識別以及異常行為檢測等方面發(fā)揮著重要作用。隨著監(jiān)控數(shù)據(jù)與日俱增，與傳統(tǒng)人工處理方式相比，智能視頻分析具有明顯的優(yōu)勢。如何通過視頻分析自動發(fā)現(xiàn)視頻中的感興趣目標(biāo)或者行為，并及時對其進行預(yù)警和處理成為了重要的研究課題。
　　運動目標(biāo)檢測和目標(biāo)識別是視頻分析的核心內(nèi)容，也是圖像理解的重要手段。然而在視頻環(huán)境中，場景光線變化、陰影干擾、攝像機傾斜拍攝、識別目標(biāo)不對齊等等因素給目標(biāo)檢測與

2、識別帶來很大影響。如何在這些復(fù)雜環(huán)境下進行有效的特征提取和目標(biāo)表示是視頻分析的關(guān)鍵問題。本文在結(jié)合統(tǒng)計方法和子空間方法的基礎(chǔ)上，設(shè)計了一系列統(tǒng)計模型和子空間模型解決視頻分析任務(wù)中的關(guān)鍵問題。本文主要研究內(nèi)容及成果總結(jié)如下：
　?。?）根據(jù)類內(nèi)距離最大化的原則，提出了幀集劃分方法，并把該方法作為低秩分解在運動目標(biāo)檢測上的預(yù)處理步驟，使平均檢測精度在Pets2006等數(shù)據(jù)集上提高了13％?，F(xiàn)有低秩分解方法過分依賴于子空間模型對背景圖像

3、進行建模，而忽略運動目標(biāo)的統(tǒng)計特征，比如位置的分布信息。本工作通過對幀集進行劃分，使獲得的每個子集中的稀疏噪聲分布更有利于前景和背景的分離。為了解決由此引起的子集規(guī)模過小問題，我們把運動幅度較小的視頻幀作為每個子集的補充，從而增加真實背景像素的個數(shù)。本工作探討了一種結(jié)合統(tǒng)計方法和子空間方法的途徑，在充分利用兩者優(yōu)勢的同時使檢測算法在光照變化、嚴(yán)重遮擋等復(fù)雜的監(jiān)控環(huán)境下具有更強的魯棒性。
　?。?）提出一種無監(jiān)督最優(yōu)特征選擇方法，把

4、降維、稀疏表示、聯(lián)合稀疏特征抽取和特征選擇以及分類融合到統(tǒng)一的目標(biāo)函數(shù)中以實現(xiàn)對動作的識別。傳統(tǒng)子空間方法往往把構(gòu)圖和分類兩個過程分開優(yōu)化，導(dǎo)致通過構(gòu)圖得到的投影矩陣對分類來說并不是最優(yōu)的。本文所提出的方法可以同時對投影矩陣和稀疏表示矩陣進行優(yōu)化，從而選出對分類最有利的特征。在理論分析方面，本文給出了算法的收斂性證明以及計算復(fù)雜度分析。最后，本文把所提出的方法與現(xiàn)有方法在人體動作識別數(shù)據(jù)庫上進行比較，通過實驗說明了本文方法在目標(biāo)識別上的

5、有效性。
　　（3）提出了基于多方向高斯建模的速率學(xué)習(xí)模型，從而讓監(jiān)控系統(tǒng)在無需標(biāo)定的情況下，發(fā)現(xiàn)各種監(jiān)控場景中的快速移動目標(biāo)。在銀行監(jiān)控系統(tǒng)中，行人快速移動被認(rèn)為是一種異常行為。然而行人在監(jiān)控畫面中的運動速率會因為投影變換的影響而呈現(xiàn)出非線性變化。本文首先通過理論分析得出圖像中目標(biāo)運動速率與其真實情況下運動速率的關(guān)系。然后提出在多個方向區(qū)間上使用高斯模型對目標(biāo)運動速率的均值和方差進行學(xué)習(xí)。為了確定多個方向中的主方向區(qū)間，我們使用

6、了基本的Fisher模型。但是該模型在極值處沒有尖點，從而導(dǎo)致無法確定最優(yōu)主方向角度。為此我們提出了改進Fisher算法從而使最優(yōu)方向區(qū)間模型的目標(biāo)函數(shù)在極值處存在尖點。當(dāng)訓(xùn)練階段結(jié)束以后，為了解決某些像素位置上出現(xiàn)學(xué)習(xí)不充分，即欠學(xué)習(xí)的問題，我們提出權(quán)重隨機一致采樣算法對參數(shù)進行三維曲面擬合，從而利用周圍已獲得充分學(xué)習(xí)的像素參數(shù)估計欠學(xué)習(xí)位置上的參數(shù)。算法最后在銀行提供的監(jiān)控視頻數(shù)據(jù)上與現(xiàn)有異常運動檢測算法相比，獲得更高的檢測率和較低

7、的誤檢率。
　?。?）提出一種基于AdaBoost與多特征結(jié)合的人數(shù)統(tǒng)計方法。在垂直架設(shè)攝像機中，我們使用AdaBoost算法對視頻中的運動目標(biāo)進行檢測。然后提出使用多種特征對感興趣目標(biāo)進一步確認(rèn)，從而提高檢測和跟蹤的性能。多種特征包括匹配響應(yīng)特征、運動強度特征以及尺度特征。針對不同的應(yīng)用場景，我們給出了兩種跟蹤方案。第一種是近鄰跟蹤法，主要運用在畫面清晰場景簡單的情況。第二種是基于最優(yōu)顏色聚類的跟蹤方法，主要應(yīng)用在情況較為復(fù)雜的