智能監(jiān)控系統(tǒng)中人體及其多種姿態(tài)的識別技術(shù)研究.pdf

1、智能視覺監(jiān)控技術(shù)是計算機(jī)視覺領(lǐng)域一個新興的應(yīng)用方向和備受關(guān)注的前沿課題，監(jiān)控的目的常常是對監(jiān)控場景中的異常情況或監(jiān)控對象的異常行為進(jìn)行檢測、分析，因此，對人的多種姿態(tài)進(jìn)行識別有著十分重要的意義。本文針對戶外智能監(jiān)控中車輛、人體直立、哈腰、匍匐三種姿態(tài)的識別方法進(jìn)行了研究。
　　 首先，為了便于車輛及三種人體姿態(tài)識別的研究，建立了樣本庫，每種目標(biāo)均采用了不同大小、多種方位的實(shí)物進(jìn)行拍攝，每種樣本的數(shù)量為200幅。為了進(jìn)行多種目標(biāo)識

2、別方法的研究，提取了多種特征參數(shù)，如寬高比、慣性主軸角、矩形度、形狀復(fù)雜度、離心率等，并研究了多種細(xì)化算法及輪廓提取算法，細(xì)化算法包括OPTA細(xì)化算法、Zhang 細(xì)化算法、Rosenfeld細(xì)化算法、橫井法細(xì)化算法，在對四種細(xì)化算法進(jìn)行比較后發(fā)現(xiàn)橫井法細(xì)化方法速度較快，細(xì)化效果較好，但存在細(xì)化不太徹底及細(xì)化不平滑的問題，因此，對其進(jìn)行改進(jìn)，改進(jìn)后的算法細(xì)化效果更加徹底、平滑，利用細(xì)化后的目標(biāo)及原目標(biāo)二值圖設(shè)計了雙腿搜素算法及頭部搜素算

3、法，從而為后續(xù)決策樹式識別方法的研究做好了準(zhǔn)備。
　　 其次，為了尋找到一種較好的識別方法，對一般常用的識別方法進(jìn)行了研究，包括多種不變矩方法、RBF 神經(jīng)網(wǎng)絡(luò)分類法及支持向量機(jī)分類法，實(shí)驗(yàn)表明多種不變矩方法不適于多種人體姿態(tài)的識別，而RBF 神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)方法的分類性能對運(yùn)動目標(biāo)特征量的依賴性較大，在初次嘗試提取三種特征量進(jìn)行分類后，發(fā)現(xiàn)正面哈腰人體與直立人體不能較好的區(qū)分。
　　 因此，提出了基于投影直方圖的特

4、征量提取方法，利用此特征量進(jìn)行訓(xùn)練、分類，可得到較好的識別效果，平均識別率達(dá)到96％。此外，由于神經(jīng)網(wǎng)絡(luò)及支持向量機(jī)的內(nèi)部結(jié)構(gòu)較為復(fù)雜，設(shè)計實(shí)現(xiàn)時步驟較為繁瑣，而且需要大量樣本進(jìn)行訓(xùn)練。因此，提出了一種結(jié)構(gòu)簡單、便于理解的識別方法研究，基于決策樹式的識別研究。
　　 最后，由于決策樹具有把復(fù)雜分類問題分解為多個簡單分類問題的特點(diǎn)，同時可以把人的經(jīng)驗(yàn)知識加入其中，采取小樣本就可設(shè)計實(shí)現(xiàn)，所以又進(jìn)行了基于決策樹的人體及其姿態(tài)的識別研

5、究。識別原理為：首先利用矩形度與形狀復(fù)雜度變化率將車輛與人體區(qū)分出來，然后使用寬高比粗略估計出人體目標(biāo)，進(jìn)一步搜素人體雙腿或頭部從而確定人體，最后利用頭部與腿部位置的匹配判定人體姿態(tài)，系統(tǒng)通過多幀綜合判別的結(jié)果最終確定了目標(biāo)種類及人體姿態(tài)?？紤]到監(jiān)控系統(tǒng)中多目標(biāo)同時出現(xiàn)的幾率較大，因此在單目標(biāo)識別的基礎(chǔ)上，提出了多運(yùn)動目標(biāo)的識別方法，利用對各目標(biāo)輪廓跟蹤的方法將其標(biāo)記，單獨(dú)提取后進(jìn)行識別分析，達(dá)到多目標(biāo)中單目標(biāo)提取、識別的目的。