视频监控中的人体异常行为识别

论文摘要

随着信息技术逐渐向智能化和数字化的高速发展以及人们安全意识的提高,智能视频监控发挥着越来越重要的作用。其中,人体异常行为的理解与识别作为智能视频监控的高级阶段,通过对人体目标的特征提取、描述和分析,实现对人的个体动作、人与人之间以及人与外界环境之间的交互行为的理解和识别,以达到对突发事件的监控和预警的目的。论文研究了视频监控中的人体异常行为识别方法,通过对视频图像的分析,设计了人体异常行为识别的算法流程。本文从运动人体目标分割、基于模板匹配的人体行为识别、复杂背景下人体目标的跟踪以及基于运动轨迹的人体异常行为识别四个部分对人体异常行为识别算法进行了研究。运动人体目标分割是实现人体异常行为识别的基础,本文使用三帧差法、背景减除法以及混合高斯法进行运动目标的检测,从鲁棒性以及实时性的角度对各个算法进行了分析,并根据本文实验场景确定了相应的运动目标检测方法。基于模板匹配的人体行为识别方法建立在准确的运动人体目标分割的基础之上。本文在传统Hu不变矩的基础上进行扩展、修正、归一化,采用最小方差作为判定准则,构造加权Hu矩,从而获取了图像的更多细节信息,在离散情况下具有比例缩放不变性的特点,且充分考虑各个Hu不变矩的贡献值,使得识别性能有了一定的提升。此外,本文提出了一种基于加权Hu矩和HOG特征的自适应融合行为识别方法,可以根据场景的噪声情况自适应的调整特征融合的参数,与单一的HOG或者加权Hu矩的识别方法相比,适用范围更广,对噪声的容忍度更高,识别率更稳定。复杂背景下的人体目标跟踪方面,本文在传统的MeanShift跟踪算法的基础上,对多特征融合的MeanShift跟踪算法进行了介绍。针对传统的MeanShift跟踪算法在目标和背景的灰度特征接近时,跟踪性能较差的缺点。提出了基于灰度和HOG特征融合的MeanShift跟踪算法,将目标的灰度特征与区域特征相结合,以达准确定位,稳定跟踪的目的。基于运动轨迹的人体异常行为识别建立在稳定跟踪的基础之上,通过对轨迹分析有效地实现越线、徘徊、群聚及分散等典型的人体异常行为的检测,算法简单,实时性好,识别率高。论文以提高算法的鲁棒性和准确性为目标,研究了人体异常行为识别中的多个关键技术,取得了较好的实验结果。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 研究目的及意义
• 1.2 国内外研究现状
• 1.2.1 智能视频监控
• 1.2.2 人体行为识别
• 1.3 本文研究的主要内容
• 1.4 论文结构安排
• 第2章 运动人体目标分割
• 2.1 运动目标检测常见方法
• 2.1.1 帧差法
• 2.1.2 背景减除法
• 2.1.3 高斯模型法
• 2.2 阈值的自适应选取
• 2.2.1 一维Otsu算法
• 2.2.2 二维Otsu算法
• 2.3 连通域检测
• 2.4 仿真实验
• 2.5 本章小结
• 第3章 基于模板匹配的人体行为识别
• 3.1 引言
• 3.2 特征提取算子的研究
• 3.2.1 传统Hu不变矩
• 3.2.2 梯度方向直方图
• 3.3 基于加权Hu矩的人体行为识别
• 3.4 基于加权Hu矩和HOG特征的自适应融合
• 3.4.1 特征融合流程图
• 3.4.2 加权系数α和β的确立
• 3.5 实验与分析
• 3.5.1 不同Hu矩的比较
• 3.5.2 加权Hu矩与HOG的比较
• 3.5.3 加权Hu矩和HOG特征的自适应融合
• 3.6 本章小结
• 第4章 复杂背景下的人体目标跟踪
• 4.1 引言
• 4.2 Mean Shift跟踪算法
• 4.2.1 模型的表达
• 4.2.2 相似性函数
• 4.2.3 目标定位
• 4.2.4 Mean Shift算法的优缺点
• 4.3 基于多特征融合的Mean Shift跟踪算法
• 4.3.1 模型的表达
• 4.3.2 相似性函数
• 4.3.3 多特征加权系数的确立
• 4.3.4 目标定位
• 4.3.5 多特征融合的目标跟踪算法
• 4.3.6 与传统Mean Shift跟踪算法的比较
• 4.4 基于灰度和HOG特征融合的Mean Shift跟踪算法
• 4.5 实验与分析
• 4.5.1 单目标跟踪性能对比
• 4.5.2 多目标跟踪性能对比
• 4.6 本章小结
• 第5章 基于运动轨迹的人体异常行为识别
• 5.1 引言
• 5.2 越线检测
• 5.3 徘徊检测
• 5.3.1 闭合曲线
• 5.3.2 螺旋曲线
• 5.4 群聚及分散检测
• 5.5 本章小结
• 第6章 结束语
• 6.1 论文研究工作总结
• 6.2 进一步研究计划
• 致谢
• 参考文献
• 作者在学期间取得的学术成果