本文選題：目標檢測　切入點：Haar方向梯度描述子　出處：《吉林大學》2016年碩士論文

【摘要】：隨著世界上科技創(chuàng)新能力的不斷提高,帶有非現(xiàn)代化標簽的傳統(tǒng)視頻監(jiān)控技術(shù)已經(jīng)不能滿足人們的需求,如何更智能化地完善監(jiān)控系統(tǒng)成為重要的研究課題。這其中涉及了很多圖像處理的研究技術(shù),比如對視頻畫面中運動目標進行實時捕獲、建立分析模型使監(jiān)控系統(tǒng)理解畫面中場景內(nèi)容,以及更高級地對人類異常行為發(fā)出自動警告等,這些研究內(nèi)容促使更多學者投身到計算機視覺領(lǐng)域,為工業(yè)信息現(xiàn)代化作出了極大的貢獻。著眼于現(xiàn)有的海量視頻數(shù)據(jù)信息在圖像領(lǐng)域有巨大的研究價值,本文利用隨機森林這一機器學習技術(shù)手段,提出基于運動目標檢測與人物動作類型識別的新型算法,與眾多僅停留在圖像像素處理層面的內(nèi)容不同,本文賦予模型對目標的分類判別能力,利用深度挖掘的圖像特征信息、有監(jiān)督學習架構(gòu)及多種圖像技術(shù)手段來完成。在目標檢測方面,特征信息對于目標的表述尤為重要,本文在前人的基礎(chǔ)上對方向梯度直方圖這一特征向量進行了補充,引入Haar小波工具,將圖像的高低頻信號提取出來,再經(jīng)由方向梯度直方圖將其串聯(lián),形成Haar方向梯度描述子;接著,對霍夫森林算法的理論、應(yīng)用以及不足之處做出陳述,重新構(gòu)造隨機樹節(jié)點的分裂準則,在文本分類信息上驗證模型的有效性;然后,依據(jù)圖像塊提供的特征信息,重新定義隨機樹增量式的生成方法,獲取節(jié)點的投票圖像,應(yīng)用Meanshift算法取得概率密度極值,對含有目標信息內(nèi)容的區(qū)域進行有效分割提取;最后,通過引入兩個規(guī)則對分類器的分類效果及圖像的檢測準確度進行評定,經(jīng)由7組實驗分析驗證算法的準確性。在動作識別方面,本文通過三個方面進行概述,分別為特征信息表現(xiàn)層、模型構(gòu)建層及動作分類層。在特征信息表現(xiàn)層中,針對原始光流場難以表述人物運動信息的問題,本文在原有亮度恒定假設(shè)基礎(chǔ)上,又增加了灰度強度梯度不變、速度分量場區(qū)域平滑、區(qū)域描述子匹配連續(xù)性和相鄰幀描述子一致性的假設(shè)條件,再對計算后的光流場以色彩信息編碼,將目標的運動信息表現(xiàn)出來,實驗結(jié)果表明這種光流算法能夠描述運動物體的變化信息,為后續(xù)兩層提供必要內(nèi)容;在模型構(gòu)建層,本文從人物動作在時空域下具有連貫信息的角度出發(fā),提出一種以圖像立體塊為基礎(chǔ)的模型構(gòu)建方法,在原有的2維圖像上增加時間信息,結(jié)合節(jié)點的判別標準,以增量生長的形成方式重新設(shè)計隨機樹;在動作分類層,依據(jù)葉節(jié)點投票生成的動作空間圖判斷人物動作類別。本文對3組數(shù)據(jù)庫分別進行了實驗,通過混淆矩陣及比較動作識別準確度來驗證算法合理性。
[Abstract]:With the continuous improvement of the ability of scientific and technological innovation in the world, the traditional video surveillance technology with non-modern labels has not been able to meet the needs of people. How to improve the monitoring system intelligently has become an important research topic.This involves many research techniques of image processing, such as real-time capture of moving objects in video images, establishment of analysis models to enable monitoring systems to understand the scene content in the pictures,As well as more advanced automatic warning of human abnormal behavior, these research contents urge more scholars to devote themselves to the field of computer vision and make great contributions to the modernization of industrial information.Aiming at the great research value of the existing massive video data information in the field of image, this paper proposes a new algorithm based on moving target detection and character action type recognition, which is based on the machine learning technology of stochastic forest.In the aspect of target detection, feature information is very important to the representation of target. In this paper, the feature vector of gradient histogram is supplemented by introducing Haar wavelet tool to extract the high and low frequency signal of image.Then the directional gradient descriptor (Haar) is formed by concatenating it with the directional gradient histogram. Then, the theory, application and deficiency of the Hoff forest algorithm are described, and the split criterion of the random tree nodes is constructed.The validity of the model is verified on the text classification information, and then, according to the feature information provided by the image block, the incremental generating method of random tree is redefined, and the voting image of nodes is obtained, and the probability density extremum is obtained by using Meanshift algorithm.Finally, two rules are introduced to evaluate the classification effect of the classifier and the accuracy of image detection, and the accuracy of the algorithm is verified by seven groups of experiments.In the aspect of action recognition, this paper summarizes it in three aspects, namely, the representation layer of feature information, the layer of model building and the layer of action classification.In the representation layer of feature information, aiming at the problem that the original optical flow field is difficult to express the movement information of people, based on the original assumption of constant brightness, the grayscale intensity gradient is invariable, and the velocity component field is smooth.The region descriptor matches the hypothesis of continuity and the consistency of adjacent frame descriptors, and then encodes the calculated optical flow field with color information to show the moving information of the target.The experimental results show that this optical flow algorithm can describe the changing information of moving objects and provide necessary content for the following two layers.This paper presents a model construction method based on image solid block, which adds time information to the original 2D image, and redesigns the random tree in the motion classification layer by incremental growth, combining with the discriminant criterion of nodes.According to the action space graph generated by the leaf node voting, the character action category is judged.In this paper, three groups of databases are experimented to verify the rationality of the algorithm by confusing matrix and comparing the accuracy of action recognition.
【學位授予單位】：吉林大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關(guān)期刊論文 前10條

1 劉足華;熊惠霖;;基于隨機森林的目標檢測與定位[J];計算機工程;2012年13期

2 董師師;黃哲學;;隨機森林理論淺析[J];集成技術(shù);2013年01期

3 王象剛;;基于K均值隨機森林快速算法及入侵檢測中的應(yīng)用[J];科技通報;2013年08期

4 陳姝;彭小寧;;基于粒子濾波和在線隨機森林分類的目標跟蹤[J];江蘇大學學報(自然科學版);2014年02期

5 羅知林;陳挺;蔡皖東;;一個基于隨機森林的微博轉(zhuǎn)發(fā)預(yù)測算法[J];計算機科學;2014年04期

6 王麗婷;丁曉青;方馳;;基于隨機森林的人臉關(guān)鍵點精確定位方法[J];清華大學學報(自然科學版);2009年04期

7 李建更;高志坤;;隨機森林針對小樣本數(shù)據(jù)類權(quán)重設(shè)置[J];計算機工程與應(yīng)用;2009年26期

8 張建;武東英;劉慧生;;基于隨機森林的流量分類方法[J];信息工程大學學報;2012年05期

9 吳華芹;;基于訓練集劃分的隨機森林算法[J];科技通報;2013年10期

10 張華偉;王明文;甘麗新;;基于隨機森林的文本分類模型研究[J];山東大學學報(理學版);2006年03期

相關(guān)會議論文 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標檢測中的應(yīng)用[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達數(shù)據(jù)分析的隨機森林方法及算法改進[A];黑龍江省第十次統(tǒng)計科學討論會論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機森林結(jié)合激光誘導擊穿光譜技術(shù)用于的鋼鐵分類[A];中國化學會第29屆學術(shù)年會摘要集——第19分會：化學信息學與化學計量學[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙酰化酶抑制劑的構(gòu)效關(guān)系研究[A];第十一屆全國計算（機）化學學術(shù)會議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機森林回歸分析方法及在代謝組學中的應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計學年會會議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機森林和k-近鄰法在某型坦克變速箱狀態(tài)識別中的應(yīng)用[A];第八屆全國轉(zhuǎn)子動力學學術(shù)討論會論文集[C];2008年

7 曹東升;許青松;梁逸曾;陳憲;李洪東;;組合樹的集合體和后向消除策略去分類P-糖蛋白化合物[A];第十屆全國計算(機)化學學術(shù)會議論文摘要集[C];2009年

相關(guān)博士學位論文 前4條

1 曹正鳳;隨機森林算法優(yōu)化研究[D];首都經(jīng)濟貿(mào)易大學;2014年

2 雷震;隨機森林及其在遙感影像處理中應(yīng)用研究[D];上海交通大學;2012年

3 岳明;基于隨機森林和規(guī)則集成法的酒類市場預(yù)測與發(fā)展戰(zhàn)略[D];天津大學;2008年

4 李書艷;單點氨基酸多態(tài)性與疾病相關(guān)關(guān)系的預(yù)測及其機制研究[D];蘭州大學;2010年

相關(guān)碩士學位論文 前10條

1 錢維;藥品不良反應(yīng)監(jiān)測中隨機森林方法的建立與實現(xiàn)[D];第二軍醫(yī)大學;2012年

2 韓燕龍;基于隨機森林的指數(shù)化投資組合構(gòu)建研究[D];華南理工大學;2015年

3 賀捷;隨機森林在文本分類中的應(yīng)用[D];華南理工大學;2015年

4 張文婷;交通環(huán)境下基于改進霍夫森林的目標檢測與跟蹤[D];華南理工大學;2015年

5 李強;基于多視角特征融合與隨機森林的蛋白質(zhì)結(jié)晶預(yù)測[D];南京理工大學;2015年

6 朱玟謙;一種收斂性隨機森林在人臉檢測中的應(yīng)用研究[D];武漢理工大學;2015年

7 肖宇;基于序列圖像的手勢檢測與識別算法研究[D];電子科技大學;2014年

8 李慧;一種改進的隨機森林并行分類方法在運營商大數(shù)據(jù)的應(yīng)用[D];電子科技大學;2015年

9 趙亞紅;面向多類標分類的隨機森林算法研究[D];哈爾濱工業(yè)大學;2014年

10 黎成;基于隨機森林和ReliefF的致病SNP識別方法[D];西安電子科技大學;2014年

，

本文編號：1700092