目前,人體行為識別技術已經(jīng)成為計算機視覺領域極具挑戰(zhàn)力的一個方向。視頻中行為識別與圖像中行為識別最大的不同之處在于視頻不僅包含了時序上的信息,而且需要巨大的計算量支撐。而該技術還受到許多外在因素的影響,如視頻動態(tài)背景居多、相機視角多變以及光照變化等等。隨著科學技術的快速發(fā)展,以及芯片計算能力的加強,如今基于計算機視覺的人體行為識別技術越來越受到科研人員的關注。本文首先對樸素貝葉斯與半樸素貝葉斯分類算法在圖像識別上進行了算法性能比較,利用高斯模糊、灰度化處理、二值化處理等方式對圖像內(nèi)容進行特征提取,然后訓練兩種分類器進行識別比較。實驗結果表明,在圖像識別上半樸素貝葉斯相比樸素貝葉斯算法有較好的識別效果。隨后,本文提出了一種基于DT與Semi-NBC混合的方法�；舅枷胧抢霉饬鱽硖崛∫曨l中的人體運動軌跡信息,本文再從軌跡信息中提取一些特征描述符,如HOG、HOF、MBH。其中HOG描述視頻中的靜態(tài)外觀信息,HOF描述視頻中的局部運動信息,而MBH是計算光流的梯度值。本文對提取的特征使用Fisher Vector編碼,基于編碼的結果使用半樸素貝葉斯分類器訓練識別分類。實驗結果表明,本文提出...

【文章頁數(shù)】：61 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀和發(fā)展趨勢
    1.3 本文所做的主要工作
    1.4 本文的組織結構
第二章 基于計算機視覺的行為識別理論
    2.1 基于計算機視覺的人體行為識別
        2.1.1 人體行為識別的發(fā)展背景
        2.1.2 基于計算機視覺的人體行為識別的發(fā)展現(xiàn)狀
    2.2 數(shù)字圖像處理
        2.2.1 RGB顏色空間
        2.2.2 灰度圖邊緣檢測
        2.2.3 RGB圖像邊緣檢測
        2.2.4 圖像去噪
    2.3 目標特征檢測
        2.3.1 光流理論
        2.3.2 光流場理論
        2.3.3 光流法的假設條件
        2.3.4 光流計算方法
        2.3.5 基于光流法的特征檢測
    2.4 目標特征提取
        2.4.1 HOG特征
        2.4.2 HOF特征
        2.4.3 MBH特征
        2.4.4 Dense Trajectory特征
        2.4.5 PCA算法
        2.4.6 Fisher Vector
    2.5 行為特征分類理論
    2.6 本章小結
第三章 基于樸素貝葉斯與半樸素貝葉斯圖像識別比較
    3.1 樸素貝葉斯分類器NBC
    3.2 半樸素貝葉斯分類器SEMI-NBC
    3.3 圖像識別方法流程
    3.4 圖像預處理與特征提取
    3.5 實驗目的與實驗設置
    3.6 實驗結果和分析
    3.7 本章小結
第四章 基于DT與 Semi-NBC混合模型的行為識別
    4.1 模型架構
        4.1.1 總體框架
        4.1.2 運動特征檢測
        4.1.3 目標特征提取
        4.1.4 目標特征分類
    4.2 實驗過程
        4.2.1 數(shù)據(jù)集
        4.2.2 參數(shù)設置
    4.3 實驗結果和分析
    4.4 本章小結
第五章 基于計算機視覺的行為識別系統(tǒng)實現(xiàn)
    5.1 需求分析
        5.1.1 行為識別系統(tǒng)的目標分析
        5.1.2 行為識別系統(tǒng)開發(fā)運行環(huán)境分析
        5.1.3 行為識別系統(tǒng)功能與性能分析
    5.2 總體設計
        5.2.1 總體流程設計
        5.2.2 功能模塊設計
    5.3 系統(tǒng)實現(xiàn)
    5.4 測試結果與分析
    5.5 本章小結
第六章 總結與展望
參考文獻
附錄1 攻讀碩士學位期間撰寫的論文
致謝



本文編號：3843696