基于視頻的運(yùn)動人體行為識別.pdf

1、隨著計算機(jī)與互聯(lián)網(wǎng)的發(fā)展，基于計算機(jī)視覺的人體行為識別在人類的生產(chǎn)、生活等實(shí)際應(yīng)用中扮演著重要的角色，并取得了長足的發(fā)展。目前，國內(nèi)外在該研究領(lǐng)域主要針對特征提取和分類器設(shè)計方面進(jìn)行創(chuàng)新和改進(jìn)，尤其在特征提取方面，包括全局特征（如運(yùn)動能量圖，運(yùn)動歷史圖等）、局部特征（如Harris-3D、Hessian、HOG/HOF等）。最近出現(xiàn)的基于軌跡特征的行為識別方法，其在光流場中提取特征點(diǎn)，并對特征點(diǎn)進(jìn)行跟蹤與軌跡描述以識別人體行為，該方法識

2、別效果較好，但由于背景和運(yùn)動相關(guān)區(qū)域難以區(qū)分，尤其是相機(jī)存在相對運(yùn)動的情況下，導(dǎo)致運(yùn)動特征和軌跡表達(dá)有效性不足的問題，本文在上述基礎(chǔ)上主要做了以下工作:
　　(1)在顯著性軌跡特征提取中，為保證視頻中運(yùn)動區(qū)域的時間相關(guān)性，將視頻在時間方向劃分為互不重疊的視頻段;其次，為保證其空間的相關(guān)性，將視頻分為互不重疊視頻塊，利用光流信息構(gòu)建視頻的運(yùn)動矩陣，針對出現(xiàn)攝像機(jī)相對運(yùn)動的視頻中，由于運(yùn)動相關(guān)區(qū)域通常具有無規(guī)律與不規(guī)則性，通過實(shí)現(xiàn)低秩

3、矩陣分解，將原運(yùn)動矩陣分為低秩部分和稀疏殘差部分，從而獲取運(yùn)動顯著區(qū)域。
　　(2)在復(fù)雜場景視頻中，基于上述方法檢測的運(yùn)動相關(guān)區(qū)域中會包含視頻背景中的運(yùn)動顯著區(qū)域。為去除背景區(qū)域像素點(diǎn)，提出了通過邊緣檢測與背景差分法結(jié)合獲取完整的運(yùn)動目標(biāo)模板，然后結(jié)合上述運(yùn)動顯著相關(guān)區(qū)域獲取運(yùn)動目標(biāo)顯著區(qū)域。
　　(3)在跟蹤中，采用中值平滑濾波器去除極端值，然后在光流場中采樣并判斷是否位于顯著區(qū)域從而提取顯著特征點(diǎn)，最后通過類似于現(xiàn)有的