本文選題：目標(biāo)檢測(cè)　切入點(diǎn)：Haar方向梯度描述子　出處：《吉林大學(xué)》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(biāo)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(duì)視頻畫面中運(yùn)動(dòng)目標(biāo)進(jìn)行實(shí)時(shí)捕獲、建立分析模型使監(jiān)控系統(tǒng)理解畫面中場(chǎng)景內(nèi)容,以及更高級(jí)地對(duì)人類異常行為發(fā)出自動(dòng)警告等,這些研究?jī)?nèi)容促使更多學(xué)者投身到計(jì)算機(jī)視覺領(lǐng)域,為工業(yè)信息現(xiàn)代化作出了極大的貢獻(xiàn)。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?jī)r(jià)值,本文利用隨機(jī)森林這一機(jī)器學(xué)習(xí)技術(shù)手段,提出基于運(yùn)動(dòng)目標(biāo)檢測(cè)與人物動(dòng)作類型識(shí)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(duì)目標(biāo)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(xué)習(xí)架構(gòu)及多種圖像技術(shù)手段來完成。在目標(biāo)檢測(cè)方面,特征信息對(duì)于目標(biāo)的表述尤為重要,本文在前人的基礎(chǔ)上對(duì)方向梯度直方圖這一特征向量進(jìn)行了補(bǔ)充,引入Haar小波工具,將圖像的高低頻信號(hào)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(duì)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(jī)樹節(jié)點(diǎn)的分裂準(zhǔn)則,在文本分類信息上驗(yàn)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(jī)樹增量式的生成方法,獲取節(jié)點(diǎn)的投票圖像,應(yīng)用Meanshift算法取得概率密度極值,對(duì)含有目標(biāo)信息內(nèi)容的區(qū)域進(jìn)行有效分割提取;最后,通過引入兩個(gè)規(guī)則對(duì)分類器的分類效果及圖像的檢測(cè)準(zhǔn)確度進(jìn)行評(píng)定,經(jīng)由7組實(shí)驗(yàn)分析驗(yàn)證算法的準(zhǔn)確性。在動(dòng)作識(shí)別方面,本文通過三個(gè)方面進(jìn)行概述,分別為特征信息表現(xiàn)層、模型構(gòu)建層及動(dòng)作分類層。在特征信息表現(xiàn)層中,針對(duì)原始光流場(chǎng)難以表述人物運(yùn)動(dòng)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(qiáng)度梯度不變、速度分量場(chǎng)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(duì)計(jì)算后的光流場(chǎng)以色彩信息編碼,將目標(biāo)的運(yùn)動(dòng)信息表現(xiàn)出來,實(shí)驗(yàn)結(jié)果表明這種光流算法能夠描述運(yùn)動(dòng)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(dòng)作在時(shí)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(shí)間信息,結(jié)合節(jié)點(diǎn)的判別標(biāo)準(zhǔn),以增量生長(zhǎng)的形成方式重新設(shè)計(jì)隨機(jī)樹;在動(dòng)作分類層,依據(jù)葉節(jié)點(diǎn)投票生成的動(dòng)作空間圖判斷人物動(dòng)作類別。本文對(duì)3組數(shù)據(jù)庫分別進(jìn)行了實(shí)驗(yàn),通過混淆矩陣及比較動(dòng)作識(shí)別準(zhǔn)確度來驗(yàn)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(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉足華;熊惠霖;;基于隨機(jī)森林的目標(biāo)檢測(cè)與定位[J];計(jì)算機(jī)工程;2012年13期

2 董師師;黃哲學(xué);;隨機(jī)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(jī)森林快速算法及入侵檢測(cè)中的應(yīng)用[J];科技通報(bào);2013年08期

4 陳姝;彭小寧;;基于粒子濾波和在線隨機(jī)森林分類的目標(biāo)跟蹤[J];江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

5 羅知林;陳挺;蔡皖東;;一個(gè)基于隨機(jī)森林的微博轉(zhuǎn)發(fā)預(yù)測(cè)算法[J];計(jì)算機(jī)科學(xué);2014年04期

6 王麗婷;丁曉青;方馳;;基于隨機(jī)森林的人臉關(guān)鍵點(diǎn)精確定位方法[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年04期

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

8 張建;武東英;劉慧生;;基于隨機(jī)森林的流量分類方法[J];信息工程大學(xué)學(xué)報(bào);2012年05期

9 吳華芹;;基于訓(xùn)練集劃分的隨機(jī)森林算法[J];科技通報(bào);2013年10期

10 張華偉;王明文;甘麗新;;基于隨機(jī)森林的文本分類模型研究[J];山東大學(xué)學(xué)報(bào)(理學(xué)版);2006年03期

相關(guān)會(huì)議論文 前7條

1 謝程利;王金橋;盧漢清;;核森林及其在目標(biāo)檢測(cè)中的應(yīng)用[A];第六屆和諧人機(jī)環(huán)境聯(lián)合學(xué)術(shù)會(huì)議（HHME2010)、第19屆全國多媒體學(xué)術(shù)會(huì)議（NCMT2010）、第6屆全國人機(jī)交互學(xué)術(shù)會(huì)議（CHCI2010）、第5屆全國普適計(jì)算學(xué)術(shù)會(huì)議（PCC2010）論文集[C];2010年

2 武曉巖;方慶偉;;基因表達(dá)數(shù)據(jù)分析的隨機(jī)森林方法及算法改進(jìn)[A];黑龍江省第十次統(tǒng)計(jì)科學(xué)討論會(huì)論文集[C];2008年

3 張?zhí)忑?梁龍;王康;李華;;隨機(jī)森林結(jié)合激光誘導(dǎo)擊穿光譜技術(shù)用于的鋼鐵分類[A];中國化學(xué)會(huì)第29屆學(xué)術(shù)年會(huì)摘要集——第19分會(huì)：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

4 相玉紅;張卓勇;;組蛋白去乙�；敢种苿┑臉�(gòu)效關(guān)系研究[A];第十一屆全國計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2011年

5 張濤;李貞子;武曉巖;李康;;隨機(jī)森林回歸分析方法及在代謝組學(xué)中的應(yīng)用[A];2011年中國衛(wèi)生統(tǒng)計(jì)學(xué)年會(huì)會(huì)議論文集[C];2011年

6 馮飛翔;馮輔周;江鵬程;劉菁;劉建敏;;隨機(jī)森林和k-近鄰法在某型坦克變速箱狀態(tài)識(shí)別中的應(yīng)用[A];第八屆全國轉(zhuǎn)子動(dòng)力學(xué)學(xué)術(shù)討論會(huì)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(jì)算(機(jī))化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2009年

相關(guān)博士學(xué)位論文 前4條

1 曹正鳳;隨機(jī)森林算法優(yōu)化研究[D];首都經(jīng)濟(jì)貿(mào)易大學(xué);2014年

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

3 岳明;基于隨機(jī)森林和規(guī)則集成法的酒類市場(chǎng)預(yù)測(cè)與發(fā)展戰(zhàn)略[D];天津大學(xué);2008年

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

相關(guān)碩士學(xué)位論文 前10條

1 錢維;藥品不良反應(yīng)監(jiān)測(cè)中隨機(jī)森林方法的建立與實(shí)現(xiàn)[D];第二軍醫(yī)大學(xué);2012年

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

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

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

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

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

7 肖宇;基于序列圖像的手勢(shì)檢測(cè)與識(shí)別算法研究[D];電子科技大學(xué);2014年

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

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

10 黎成;基于隨機(jī)森林和ReliefF的致病SNP識(shí)別方法[D];西安電子科技大學(xué);2014年

，

本文編號(hào)：1700092