發(fā)布時(shí)間：2017-10-13 16:36

  本文關(guān)鍵詞：視頻中的人物目標(biāo)檢測與動(dòng)作識別方法研究

  更多相關(guān)文章： 目標(biāo)檢測 稀疏光流場 動(dòng)作識別 時(shí)空特征興趣點(diǎn) KNN

【摘要】：人物的目標(biāo)檢測和動(dòng)作識別都是計(jì)算機(jī)視覺理解領(lǐng)域的重要應(yīng)用,隨著智能化社會的發(fā)展,人們對生活安全的高度警惕和重視,該課題逐漸吸引了更多的研究人員。但是由于在動(dòng)作識別中其背景、動(dòng)作及過程的復(fù)雜性,該課題同樣極具挑戰(zhàn)性。本文的主要目的是在背景較為簡單的前提下實(shí)現(xiàn)目標(biāo)檢測并對走路,揮手,慢跑,拳擊,擊掌,跑步六種動(dòng)作進(jìn)行正確識別。針對目標(biāo)檢測,本文研究了背景減除法,幀間差分法和光流法三種常用的方法,結(jié)合拍攝視頻的背景和三種方法的優(yōu)缺點(diǎn)選取背景減除法作為本文的最終目標(biāo)檢測方法。針對背景減除法中混合高斯模型方法的不足,提出了一種先將前景去除再進(jìn)行背景建模的特征點(diǎn)稀疏光流場的方法。實(shí)驗(yàn)證明,該方法可以有效地去除改進(jìn)之前背景建模中由于運(yùn)動(dòng)目標(biāo)前景區(qū)域的遮擋引起的陰影問題,從而明顯提高檢測準(zhǔn)確率。進(jìn)行前景分割后,對目標(biāo)區(qū)域進(jìn)行特征提取并進(jìn)行動(dòng)作的分類識別。本文重點(diǎn)研究了基于時(shí)空特征興趣點(diǎn)的方法,利用該方法進(jìn)行特征提取后進(jìn)行特征描述,然后利用詞袋模型進(jìn)行行為建模,最后采用KNN算法進(jìn)行模型訓(xùn)練和最終的動(dòng)作測試識別。本文的實(shí)驗(yàn)在KTH行為數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)測試,結(jié)果表明,本文提出的方法能夠提取理想的特征向量并得到良好的識別效果,初步驗(yàn)證了該系統(tǒng)的有效性,為實(shí)際應(yīng)用提供了理論基礎(chǔ)和實(shí)驗(yàn)基礎(chǔ)。
【關(guān)鍵詞】：目標(biāo)檢測 稀疏光流場 動(dòng)作識別 時(shí)空特征興趣點(diǎn) KNN
【學(xué)位授予單位】：青島大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要2-3
• Abstract3-6
• 第一章 緒論6-12
• 1.1 研究背景和意義6-7
• 1.2 國內(nèi)外研究現(xiàn)狀7-9
• 1.3 動(dòng)作識別的研究難點(diǎn)9-10
• 1.4 本文的主要內(nèi)容及章節(jié)安排10-12
• 第二章 人體動(dòng)作識別方法概述12-22
• 2.1 人的動(dòng)作識別框架及流程12-13
• 2.2 基于算法的動(dòng)作識別分類13-17
• 2.2.1 基于狀態(tài)空間的方法13-15
• 2.2.2 基于模板匹配的方法15-17
• 2.3 動(dòng)作識別系統(tǒng)模型17-20
• 2.3.1 詞袋思想17-18
• 2.3.2 混合高斯模型18-20
• 2.4 本章小結(jié)20-22
• 第三章 視頻中人物目標(biāo)檢測22-36
• 3.1 基于幀間差分法的目標(biāo)檢測22-24
• 3.2 基于背景減除法的目標(biāo)檢測24-26
• 3.2.1 統(tǒng)計(jì)平均法24-25
• 3.2.2 混合高斯模型法25-26
• 3.3 改進(jìn)的混合高斯模型背景建模26-29
• 3.3.1 光流約束方程26-27
• 3.3.2 改進(jìn)的稀疏光流目標(biāo)輪廓追蹤27-29
• 3.3.2.1 特征點(diǎn)提取28-29
• 3.3.2.2 角點(diǎn)處光流計(jì)算29
• 3.4 檢測后處理29-34
• 3.4.1 去噪處理29-32
• 3.4.1.1 圖像的腐蝕和膨脹30-31
• 3.4.1.2 開運(yùn)算和閉運(yùn)算31-32
• 3.4.2 人體判別32-33
• 3.4.3 人體輪廓提取33-34
• 3.5 本章小結(jié)34-36
• 第四章 基于時(shí)空興趣點(diǎn)的動(dòng)作識別研究36-48
• 4.1 詞袋模型36-37
• 4.2 時(shí)空興趣點(diǎn)特征提取37-43
• 4.2.1 3D-Harris角點(diǎn)檢測38-40
• 4.2.2 Dollar檢測算法40-41
• 4.2.3 Hessian特征點(diǎn)檢測41-43
• 4.3 對興趣點(diǎn)進(jìn)行特征描述43-44
• 4.4 聚類算法44
• 4.5 分類算法44-48
• 4.5.1 支持向量機(jī)SVM44-45
• 4.5.2 K最近鄰分類器KNN45-48
• 第五章 實(shí)驗(yàn)結(jié)果與分析48-58
• 5.1 實(shí)驗(yàn)樣本選擇48-49
• 5.2 目標(biāo)檢測實(shí)驗(yàn)及結(jié)果分析49-52
• 5.2.1 背景建模方法改進(jìn)結(jié)果49-51
• 5.2.2 目標(biāo)分割實(shí)驗(yàn)及結(jié)果分析51-52
• 5.3 特征提取實(shí)驗(yàn)及結(jié)果分析52-53
• 5.4 改進(jìn)的特征提取實(shí)驗(yàn)及結(jié)果分析53-54
• 5.5 動(dòng)作識別實(shí)驗(yàn)及結(jié)果分析54-58
• 第六章 總結(jié)與展望58-60
• 6.1 本文總結(jié)58-59
• 6.2 展望59-60
• 參考文獻(xiàn)60-64
• 攻讀學(xué)位期間的研究成果64-66
• 致謝66-67

，

本文編號：1025971