移動目標的檢測一直是計算機視覺領域的研究熱點之一,在安防、軍事、導航、監(jiān)控、科學研究等領域有著廣泛的應用。隨著計算機技術的發(fā)展與國家互聯(lián)網(wǎng)+戰(zhàn)略的實施,視頻檢測與計算機視覺算法會有越來越多的用途,其中移動目標的行為識別是很重要的一個分支。本文以大鼠機器人視頻為研究對象,對視頻中大鼠的前景提取與基于移動軌跡的行為識別兩個問題進行了相關的研究和探討。對于目標識別,采用了Vibe背景建模與前景檢測算法,相比普通的背景差分,成功提高了大鼠機器人前景檢測的準確性；而對于行為識別問題,提出了基于模擬退火策略的軌跡點去噪算法,并提取了軌跡的曲率序列特征,在此基礎上提出了基于曲率序列特征與概率方法相結(jié)合的行為識別方法。具體而言,主要包括以下內(nèi)容：1) 使用Vibe算法準確而高效的將大鼠視頻進行前景與背景的分離,大大提升了大鼠機器人前景二值圖的質(zhì)量,并能有效的適應光照變化、攝像頭抖動等噪聲的影響。2) 通過分析大鼠機器人前景圖,提取出視頻每幀中大鼠的中心點,并利用模擬退火算法提取出路徑軌跡的主干點。如果需要重現(xiàn)軌跡,可以利用B樣條插值算法對軌跡進行擬合。這大大節(jié)省了視頻軌跡數(shù)據(jù)的存儲空間,并消除了絕大部... 

【文章來源】：浙江大學浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景與意義
    1.2 大鼠機器人行為分析的挑戰(zhàn)
    1.3 本文的研究目標與貢獻
第2章 背景建模與前景檢測
    2.1 背景建模概述
    2.2 樸素背景差分法
        2.2.1 概述
        2.2.2 算法流程
        2.2.3 算法分析
    2.3 混合高斯背景模型
        2.3.1 單高斯模型
        2.3.2 混合高斯背景模型
        2.3.3 算法步驟
        2.3.4 實驗效果
    2.4 VIBE背景建模算法
        2.4.1 背景差分方法的思考
        2.4.2 ViBe算法
    2.5 本章小結(jié)
第3章 移動軌跡提取與去噪
    3.1 移動對象軌跡概述
    3.2 軌跡數(shù)據(jù)提取
    3.3 卡爾曼濾波
        3.3.1 卡爾曼濾波基本思想
        3.3.2 卡爾曼濾波的不足
    3.4 基于模擬退火的運動軌跡去噪算法
        3.4.1 廣義費馬點
        3.4.2 廣義費馬點的求解
        3.4.3 基于模擬退火的軌跡去噪算法
        3.4.4 實驗結(jié)果
    3.5 本章小結(jié)
第4章 基于馬爾可夫鏈的軌跡行為識別
    4.1 實驗標注數(shù)據(jù)庫
    4.2 馬爾可夫鏈
    4.3 基于移動軌跡的自適應地圖分塊
        4.3.1 人工分塊
        4.3.2 自適應分塊
    4.4 基于馬爾可夫鏈的行為識別算法
        4.4.1 分類問題綜述
        4.4.2 貝葉斯定理
        4.4.3 樸素貝葉斯分類原理
        4.4.4 馬爾可夫鏈行為分類實驗
    4.5 本章小結(jié)
第5章 幾何特征與馬爾可夫鏈相結(jié)合的行為識別
    5.1 軌跡曲率特征
        5.1.1 空間曲線與曲率
        5.1.2 移動軌跡的曲率
    5.2 基于軌跡曲率特征的行為分類
        5.2.1 支持向量機原理簡介
        5.2.2 曲率特征與概率方法結(jié)合的行為識別
    5.3 實驗對比與推廣
        5.3.1 與其它實驗方法的對比
        5.3.2 算法推廣
    5.4 基于移動對象軌跡的行為識別算法流程總結(jié)
    5.5 本章小結(jié)
第6章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 展望
參考文獻
攻讀碩士學位期間主要的研究成果
致謝



本文編號：2936456