本文關(guān)鍵詞：基于動作特征的視頻監(jiān)控網(wǎng)絡(luò)行人識別算法

  更多相關(guān)文章： 視頻監(jiān)控 目標(biāo)重識別 生物特征 特征投影 度量學(xué)習(xí)

【摘要】：近年來,隨著視頻監(jiān)控技術(shù)的發(fā)展,有越來越多的攝像頭被部署在安防領(lǐng)域,隨之也產(chǎn)生了大量的監(jiān)控視頻�，F(xiàn)有的視頻監(jiān)控系統(tǒng)只能記錄視頻,或提供有限的智能監(jiān)控能力,如人流監(jiān)測、越界報(bào)警、違法行為抓拍等。在案件發(fā)生后對特定目標(biāo)的識別和追蹤,則主要依靠大量的警力人工篩選。在視頻監(jiān)控系統(tǒng)中對特定目標(biāo)進(jìn)行追蹤是很有意義的一項(xiàng)工作。由于視頻監(jiān)控系統(tǒng)的特殊性,網(wǎng)絡(luò)化視頻監(jiān)控系統(tǒng)中追蹤問題的實(shí)質(zhì)是目標(biāo)重識別問題�，F(xiàn)有的目標(biāo)重識別算法多是提取靜態(tài)圖像特征,這些特征往往不夠穩(wěn)定,且容易進(jìn)行偽裝�？紤]到行人目標(biāo)的動作如步態(tài)往往含有豐富的信息,本文提出用基于動作的特征來對行人進(jìn)行識別。本文的主要工作和貢獻(xiàn)歸納如下：(1)結(jié)合視頻監(jiān)控系統(tǒng)的結(jié)構(gòu)和任務(wù)背景建立行人重識別的算法框架,在此基礎(chǔ)上進(jìn)行算法研究。針對監(jiān)控視頻的特點(diǎn),用改進(jìn)的混合高斯背景模型對視頻監(jiān)控?cái)z像機(jī)的背景進(jìn)行建模,并提取前景目標(biāo)。對前景目標(biāo)進(jìn)行濾波和形態(tài)學(xué)處理得到完好的前景區(qū)域,使其滿足后續(xù)特征提取算法的要求,并在此基礎(chǔ)上進(jìn)行步態(tài)周期的判定。(2)提出一種基于步態(tài)光流能量圖的步態(tài)特征提取算法。首先,用基于區(qū)域分割和參數(shù)運(yùn)動模型的光流算法計(jì)算每時刻人體區(qū)域的密集光流信息。之后綜合一個步態(tài)周期內(nèi)各時刻的光流圖生成步態(tài)光流能量圖作為原始步態(tài)特征。然后用主成分分析和線性判別分析的特征降維方法對原始步態(tài)特征進(jìn)行降維得到具有良好可分性的步態(tài)特征。針對步態(tài)特征在不同視角間的識別率存在下降明顯的情況,用基于截?cái)嗥娈愔捣纸獾姆椒▽Σ煌暯窍碌奶卣鬟M(jìn)行特征變換,從而提高不同視角下步態(tài)特征的識別率。在公開測試集上的實(shí)驗(yàn)結(jié)果說明,該套方法能夠取得良好的識別效率。(3)提出一種基于關(guān)節(jié)點(diǎn)信息的步態(tài)特征提取算法。首先提出一種基于人體比例先驗(yàn)知識的二維圖像人體關(guān)節(jié)點(diǎn)提取算法。然后基于關(guān)節(jié)點(diǎn)信息隨時間變化的模式提取步態(tài)特征。由于關(guān)節(jié)點(diǎn)所反映的步態(tài)特征是隨時間變化的,且對行人步態(tài)周期采樣的不恒定會引起步態(tài)特征在時間維度上的對齊問題。針對這個問題,本文用基于動態(tài)時間規(guī)整的方法對步態(tài)特征進(jìn)行識別。并與時域特征、頻域特征以及基于隱馬爾可夫模型的步態(tài)識別算法進(jìn)行比較,說明了該算法的優(yōu)越性。針對時域特征識別率較低的問題,用基于大間隔最近鄰的度量學(xué)習(xí)方法得到最優(yōu)的距離度量,使步態(tài)識別率得到進(jìn)一步提高。
【關(guān)鍵詞】：視頻監(jiān)控 目標(biāo)重識別 生物特征 特征投影 度量學(xué)習(xí)
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 致謝5-6
• 摘要6-7
• Abstract7-11
• 第一章 緒論11-21
• 1.1 課題背景與研究意義11-14
• 1.1.1 視頻監(jiān)控技術(shù)的重要作用11
• 1.1.2 視頻監(jiān)控行業(yè)發(fā)展現(xiàn)狀11-12
• 1.1.3 視頻監(jiān)控系統(tǒng)追蹤任務(wù)問題描述12-13
• 1.1.4 課題研究意義13-14
• 1.2 論文所涉及技術(shù)研究現(xiàn)狀14-18
• 1.2.1 基于圖像特征重識別的研究14-15
• 1.2.2 基于動作特征重識別的研究15-18
• 1.3 本文研究內(nèi)容及章節(jié)安排18-21
• 1.3.1 研究內(nèi)容19
• 1.3.2 章節(jié)安排19-21
• 第二章 視頻監(jiān)控系統(tǒng)組成與視頻圖像預(yù)處理21-33
• 2.1 引言21
• 2.2 系統(tǒng)組成與算法框架21-24
• 2.2.1 視頻監(jiān)控系統(tǒng)組成21-23
• 2.2.2 重識別算法框架23-24
• 2.3 視頻圖像預(yù)處理24-32
• 2.3.1 背景減除算法24-28
• 2.3.2 輪廓區(qū)域優(yōu)化28-29
• 2.3.3 人體區(qū)域的縮放與對齊29-31
• 2.3.4 步態(tài)周期的提取31-32
• 2.4 本章小結(jié)32-33
• 第三章 基于光流信息的步態(tài)特征33-59
• 3.1 引言33-34
• 3.2 現(xiàn)有步態(tài)特征提取算法34-35
• 3.3 步態(tài)光流計(jì)算35-46
• 3.3.1 光流簡介35-38
• 3.3.2 基于區(qū)域分割和參數(shù)運(yùn)動模型的光流算法38-46
• 3.4 特征提取46-47
• 3.5 特征降維47-53
• 3.5.1 主成分分析47-50
• 3.5.2 線性判別分析50-53
• 3.6 多視角問題53-54
• 3.7 算法驗(yàn)證54-57
• 3.7.1 實(shí)驗(yàn)設(shè)計(jì)54-55
• 3.7.2 實(shí)驗(yàn)結(jié)果及分析55-57
• 3.8 本章小結(jié)57-59
• 第四章 基于關(guān)節(jié)點(diǎn)信息的步態(tài)特征59-83
• 4.1 引言59-60
• 4.2 關(guān)節(jié)點(diǎn)提取60-67
• 4.3 特征提取67-72
• 4.3.1 多項(xiàng)式曲線擬合67-68
• 4.3.2 頻域分析68
• 4.3.3 隱馬爾可夫模型68-70
• 4.3.4 動態(tài)時間規(guī)整70-72
• 4.4 度量學(xué)習(xí)72-73
• 4.5 算法驗(yàn)證73-81
• 4.5.1 實(shí)驗(yàn)設(shè)計(jì)77
• 4.5.2 實(shí)驗(yàn)結(jié)果及分析77-81
• 4.6 本章小結(jié)81-83
• 第五章 總結(jié)與展望83-85
• 5.1 論文總結(jié)83-84
• 5.2 研究展望84-85
• 參考文獻(xiàn)85-89
• 作者簡介89
• 攻讀碩士學(xué)位期間發(fā)表的論文89

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前1條

1 孫倩茹;王文敏;劉宏;;視頻序列的人體運(yùn)動描述方法綜述[J];智能系統(tǒng)學(xué)報(bào);2013年03期

，

本文編號：876499