基于小波矩的人体行为识别系统的设计与实现

基于小波矩的人体行为识别系统的设计与实现

论文摘要

近年来,对于视频序列中人体运动行为的视觉分析是计算机视觉领域中日益受到重视的一个研究方向。随着时代的进步,这项技术也在不断的发展完善,在未来必将有广阔的应用前景并为社会带来巨大的经济效益。文章首先详细介绍了当前国内外在人体行为识别领域的研究现状和发展趋势,并且分析了其在视频监控方面的应用情况。在此基础上,本文完成的研究工作及主要贡献包括以下三个方面:在静止背景下运动目标检测和提取研究方面,总结了当前常用的几种算法的原理,提出了一种改进的基于背景减除的时间差分法,可获得较为精确的运动人体轮廓。在运动目标跟踪研究方面,在分析了现有跟踪方法的基础上,详细介绍了本文采用的一种适合于本系统的运动目标跟踪算法,即利用卡尔曼滤波对场景中的运动对象进行实时跟踪。在人体行为识别方面,由于人体在运动过程中动作都可以分解成以时间为线索的图像序列,本文使用了状态空间法,首先利用小波矩来对人体图像进行特征提取,然后利用隐马尔可夫模型对运动人体的行为进行识别。通过实验发现,本文的算法具有很小的漏检率和误检率,而且具有较好的实时性。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 课题研究目的及意义
  • 1.2 人体行为识别的研究现状及发展趋势
  • 1.2.1 研究现状
  • 1.2.2 发展趋势
  • 1.3 本文研究的主要内容
  • 1.4 论文结构安排
  • 第二章 人体行为识别关键技术综述
  • 2.1 运动目标检测方法综述
  • 2.2 运动目标跟踪方法综述
  • 2.3 运动目标行为识别综述
  • 2.4 本章小结
  • 第三章 运动目标检测
  • 3.1 运动目标检测的基本原理
  • 3.2 高斯背景模型的初始化与更新
  • 3.3 基于背景减除的时间差分法
  • 3.4 运动人体轮廓提取
  • 3.4.1 图像分割综述
  • 3.4.2 阈值化分割
  • 3.4.3 数学形态学处理
  • 3.4.4 区域连通性分析
  • 3.5 实验结果及分析
  • 3.6 本章小结
  • 第四章 运动目标跟踪
  • 4.1 基于卡尔曼滤波的运动估计
  • 4.1.1 Kalman滤波器
  • 4.1.2 Kalman滤波器参数定义
  • 4.1.3 Kalman滤波器的实现
  • 4.2 运动目标的位置标定
  • 4.3 运动目标匹配
  • 4.4 实验结果及分析
  • 4.5 本章小结
  • 第五章 运动目标行为识别
  • 5.1 基于小波矩的图像识别
  • 5.1.1 矩和不变矩
  • 5.1.2 基于小波矩和小波矩不变量的特征提取
  • 5.2 隐马尔可夫模型理论基础
  • 5.2.1 隐马尔可夫模型的定义
  • 5.2.2 隐马尔可夫模型的基本算法
  • 5.3 隐马尔可夫模型在人体行为识别中的应用
  • 5.4 实验结果及分析
  • 5.5 本章小结
  • 第六章 系统设计及实验结果
  • 6.1 系统总体设计
  • 6.1.1 系统体系结构图
  • 6.1.2 功能模块图
  • 6.1.3 系统流程图
  • 6.2 系统的主要数据结构与类图
  • 6.2.1 主要数据结构
  • 6.2.2 系统主要类图
  • 6.3 系统开发平台及界面
  • 6.3.1 系统开发平台
  • 6.3.2 系统界面
  • 6.4 实验结果及分析
  • 6.5 本章小结
  • 第七章 总结与前景展望
  • 7.1 本文总结
  • 7.2 前景展望
  • 致谢
  • 参考文献
  • 在读期间发表论文
  • 相关论文文献

    • [1].浅谈异常行为识别在我国民航中的应用[J]. 民航管理 2020(01)
    • [2].基于深度学习的人体行为识别算法[J]. 数学的实践与认识 2019(24)
    • [3].基于深度学习的实验鼠行为识别关键技术研究[J]. 佳木斯大学学报(自然科学版) 2020(02)
    • [4].风险驾驶行为识别及干预研究综述[J]. 汽车与安全 2020(03)
    • [5].基于深度学习的人体行为识别网络设计[J]. 中国科技信息 2020(10)
    • [6].基于深度学习的人体行为识别研究[J]. 高技术通讯 2020(05)
    • [7].舰船网络异常通信行为识别研究[J]. 舰船科学技术 2020(10)
    • [8].居家日常行为识别中基于SMOTE方法的数据不平衡问题研究[J]. 计算机产品与流通 2020(09)
    • [9].动态多视角复杂3D人体行为数据库及行为识别[J]. 数据采集与处理 2019(01)
    • [10].基于视觉的人体行为识别算法研究综述[J]. 计算机应用研究 2019(07)
    • [11].基于深度学习的人体行为识别技术研究[J]. 科技资讯 2019(29)
    • [12].人体行为识别研究[J]. 信息与电脑(理论版) 2017(24)
    • [13].人体行为特征融合与行为识别的分析[J]. 无线互联科技 2017(12)
    • [14].复杂场景下的人体行为识别研究新进展[J]. 计算机科学 2014(12)
    • [15].基于阶层多观测模型的多人行为识别[J]. 清华大学学报(自然科学版)网络.预览 2009(07)
    • [16].基于局部时空模式的体育视频行为识别[J]. 吉林大学学报(理学版) 2020(02)
    • [17].基于深度学习卷积神经网络的人体行为识别研究[J]. 科技传播 2020(06)
    • [18].基于通道注意力机制的视频人体行为识别[J]. 电子技术与软件工程 2020(04)
    • [19].融合目标检测和人体关键点检测的铁路司机行为识别[J]. 计算机测量与控制 2020(06)
    • [20].基于图像分割的驾驶员分心行为识别研究[J]. 浙江科技学院学报 2020(03)
    • [21].视像行为识别的大数据分析与教学决策研究[J]. 工程技术研究 2020(12)
    • [22].深度视频中人体行为识别的图建模技术[J]. 福建电脑 2020(07)
    • [23].智能手机传感器的人体行为识别技术[J]. 西安邮电大学学报 2020(01)
    • [24].人体行为识别关键技术研究[J]. 中外企业家 2019(08)
    • [25].基于深度学习的教室人体行为识别模型设计[J]. 现代信息科技 2019(07)
    • [26].基于时空双流与局部融合网络的行为识别[J]. 工业控制计算机 2019(11)
    • [27].人体行为识别的数据库对比研究[J]. 中国科技信息 2017(17)
    • [28].基于光流的人体行为识别[J]. 电脑知识与技术 2013(07)
    • [29].基于视觉的人体行为识别研究[J]. 中国新通信 2012(21)
    • [30].基于智能视频监控的异常行为识别的方法[J]. 中外企业家 2020(01)

    标签:;  ;  ;  ;  ;  

    基于小波矩的人体行为识别系统的设计与实现
    下载Doc文档

    猜你喜欢