基于加权HU不变矩的监控视频人体行为识别方法的研究与实现

论文摘要

随着视频监控系统在社区安防、机场安检、景区安全等方面的广泛应用,如何实现快速、精确的异常行为检测成为视频监控中一个亟待解决的问题,同时也成为近年来计算机视觉领域的一个研究热点。本文研究并改进了运动人体行为识别处理中的关键算法,主要工作进展包括：(1)在图形图像处理方面,针对监控原始图像模糊粗糙问题,本文采用对视频监控图像实施平滑和滤波处理,获得了清晰准确的改进图像。(2)在运动目标检测方面,本文提出背景减除法与时间差分法相结合的加权平均法。为保证检测的高效性、准确性,针对背景变化简单的情况,本文提出基于背景更新与自适应阈值选取相结合的方法,提高算法性能；针对背景复杂情况,本文提出基于高斯混合背景模型的运动检测方法,它根据实验结果分析动态调整混合高斯模型参数,有效解决光照以及树木扰动等外界变化带来的影响。(3)在运动目标行为识别方面,针对要提高人体异常行为识别效率,提出了一种以改进的加权Hu不变矩作为目标特征,利用滑窗机制对连续视频帧的匹配结果进行综合分析的方法,从而实现对人体异常行为的识别；同时研究了基于目标轮廓特征和基于隐马尔科夫模型的识别算法,以目标的最小外接矩形的长宽比、目标的覆盖度以及目标的轮廓特征组成的特征向量作为人体行为的特征描述,判别人体行为是否异常。本文设计实现了一个针对人体运动行为识别的智能视频监控系统,验证了改进的算法可有效检测出实时视频中运动的目标人体,并识别出其行为的变化。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 课题研究目的与意义
• 1.2 国内外研究现状
• 1.2.1 研究现状
• 1.2.2 发展趋势
• 1.3 论文主要研究内容及工作
• 1.4 论文内容组织
• 第二章 运动图像处理
• 2.1 图像预处理
• 2.1.1 平滑技术
• 2.1.2 中值滤波
• 2.2 数学形态学滤波
• 2.3 空洞处理
• 2.4 本章小结
• 第三章 运动目标检测
• 3.1 目标检测算法
• 3.1.1 时间差分检测法
• 3.1.2 背景减除检测法
• 3.1.3 改进后的目标检测方法
• 3.2 背景更新
• 3.2.1 基本原理
• 3.2.2 阈值选取
• 3.3 高斯混合背景模型
• 3.4 阴影检测与消除
• 3.4.1 阴影去除的原理
• 3.4.2 YUV空间中阴影的抑制
• 3.5 实验与分析
• 3.6 本章小结
• 第四章 人体运动行为识别
• 4.1 人体运动行为识别技术概述
• 4.2 基于目标轮廓特征的人体行为识别
• 4.3 基于Hu不变距的人体行为识别
• 4.3.1 Hu不变距
• 4.3.2 改进后的Hu不变矩
• 4.3.3 Hu不变矩的快速计算
• 4.3.4 基于滑窗机制的多帧识别
• 4.4 基于隐马尔科夫模型的人体行为分析
• 4.5 实验与分析
• 4.6 本章小结
• 第五章 运动人体行为识别系统设计与实现
• 5.1 系统需求分析
• 5.1.1 任务概要
• 5.1.2 功能需求
• 5.1.3 性能需求
• 5.2 系统设计
• 5.2.1 系统整体设计
• 5.2.2 系统原型结构分析
• 5.2.3 功能模块划分及分析
• 5.3 详细设计
• 5.4 系统环境介绍
• 5.4.1 开发平台
• 5.4.2 运行条件
• 5.5 实验结果分析
• 5.6 本章小结
• 总结与展望
• 1. 本文总结
• 2. 未来发展
• 参考文献
• 致谢