行人个体行为状态的视频分析方法

论文摘要

随着视频监视向着智能化方向发展的不断深入,人们期盼着智能监控系统能够为我们的生活带来便利,甚至代替人类完成某项工作。社会对公共安全的关注度不断提高,监控区域也在不断扩大,对智能监控系统的需求与日俱增。如果由计算机来完成视频内容的分析,忽略大量无用的视频内容并在必要时做出反应,将节省大量人力资源和数据存储空间。行人是监控画面中最重要的内容之一,因此分析视频中行人行为对场景状态的理解具有重要意义。根据行人在监控场景下的动作特点,本文研究了行人行为的识别过程,并在此基础上研究了基于运动路径特征的异常行为识别。首先明确目前基于监控视频行人行为识别的主要过程是目标检测、目标跟踪、行为识别以及高层行为理解。对目标检测和目标跟踪的常用方法做出分析,指出其各自优缺点,以及在行人行为分析过程中的适用性。然后,仔细分析人体运动图像中的各种特征,考察其不同特点,选择时空特征作为人体行为分析中适用的人体行为表达参数。接着使用隐马尔可夫模型进行了行为识别过程的研究,给出了实验程序流程。在此基础上,进行了视频语义理解过程的初级阶段探索。选取图像中行人动作被识别为行走的视频进行研究,使用已有的直线拟合方法对行走路径建模,检测出了行人异常走动的场景。之后设计了基于速度方向变化累加值的异常行走场景检测方法,能够检测出行人的徘徊行为,且在道路弯曲的监控环境中具有适用性。在本文的研究中,给出了行人行为识别及视频语义理解的分步思想,并在语义理解上进行了探索,对该课题今后的研究方向产生了积极作用。

论文目录

• 摘要
• ABSTRACT
• 1 前言
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.3 本文的工作及内容安排
• 2 运动目标检测
• 2.1 运动目标检测的基本方法
• 2.1.1 光流法
• 2.1.2 帧间差分法
• 2.1.3 背景减除法
• 2.2 人体阴影影响的消除
• 2.3 本章小结
• 3 运动目标分类与跟踪
• 3.1 运动目标跟踪概述
• 3.1.1 目标跟踪方法分类
• 3.1.2 运动目标跟踪方法
• 3.2 Mean Shift跟踪算法
• 3.2.1 Mean Shift算法基础
• 3.2.2 Mean Shift模型与跟踪方法
• 3.2.3 跟踪实验分析
• 4 人体运动行为特征选取
• 4.1 人体运动行为表征
• 4.1.1 人体运动类别
• 4.1.2 人体运动表征
• 4.2 人体运动行为特征提取
• 4.2.1 常用人体行为识别特征
• 4.2.2 运动的时空特征表示
• 5 人体运动行为分析
• 5.1 行为理解概述
• 5.2 人体运动行为识别的常用方法
• 5.3 隐马尔可夫模型相关基础
• 5.3.1 隐马尔可夫模型的基本概念
• 5.3.2 隐马尔可夫模型的基本算法
• 5.4 行为识别实现过程
• 5.5 行人行为理解过程
• 5.5.1 基于视频的语义理解
• 5.5.2 异常行走场景描述
• 5.5.3 行人徘徊场景描述
• 5.5.4 试验结果对比分析
• 5.6 本章小结
• 6 总结与展望
• 7 参考文献
• 8 攻读硕士学位期间论文发表与科研情况
• 9 致谢