本文關(guān)鍵詞：視頻監(jiān)控中運(yùn)動目標(biāo)的檢測、跟蹤與動作識別算法的研究

  更多相關(guān)文章： CamShift 粒子濾波 背景減除法 opencv 關(guān)鍵姿態(tài)幀

【摘要】：建設(shè)“智慧城市”是提升社會經(jīng)濟(jì)的新支點和新動力,當(dāng)今世界科學(xué)技術(shù)的迅猛發(fā)展,中國與世界科技的接軌,智能監(jiān)控技術(shù)是建設(shè)“智慧城市”必不可少的一步,其中的視頻監(jiān)控、視頻圖像檢測、視頻圖像處理技術(shù)也在緊隨其后快速發(fā)展,隨著近年來中國通信技術(shù)迅猛發(fā)展,其它新型科技產(chǎn)業(yè)也快速發(fā)展,隨著4G技術(shù)的成熟與實施,每個人都持有搭載Android或者ios操作系統(tǒng)的移動終端,使得人電信行業(yè)更加方便的服務(wù)于我們,人們之間的聯(lián)系也更加緊密方便。第一步,對監(jiān)控對象進(jìn)行檢測,本論文設(shè)計的系統(tǒng)是利用改進(jìn)的背景減除法和三幀差分法相“與”運(yùn)算的結(jié)果作為反饋,對背景進(jìn)行選擇性更新,這種方法不僅可以減少動態(tài)因素引起的誤檢,還可魯棒地處理運(yùn)動目標(biāo)的不定性、障礙物的遮擋、光照變化、動態(tài)場景下的目標(biāo)檢測不到的問題。第二步,對監(jiān)控對象進(jìn)行跟蹤,利用CamShift的粒子濾波算法的思想可以自適應(yīng)的改變跟蹤窗口的大小,大大減少了參與迭代的粒子數(shù)目,計算量小,且在部分遮擋和形變的情況下比傳統(tǒng)CamShift的算法有更好的跟蹤效果。第三步,對監(jiān)控對象進(jìn)行動作識別,用到了人體最小外接矩形的寬高比,利用混合小波矩特征建立關(guān)鍵姿態(tài)模板,用隱馬爾科夫模型算法把測試樣本的類別進(jìn)行分類。該方法有效提高人體行為分類的準(zhǔn)確率。該系統(tǒng)是利用vs2010操作系統(tǒng)和調(diào)用opencv數(shù)據(jù)庫函數(shù)來分析跟蹤目標(biāo)的動作特征,采用c++編程語言實現(xiàn)了對被監(jiān)控目標(biāo)的檢測、跟蹤及動作的識別系統(tǒng)的語言,也對該系統(tǒng)需要用到的各個模塊進(jìn)行了詳細(xì)介紹,最后也指出了本系統(tǒng)存在的一些問題,并對以后的研發(fā)和算法的改進(jìn)進(jìn)行了展望。
【關(guān)鍵詞】：CamShift 粒子濾波 背景減除法 opencv 關(guān)鍵姿態(tài)幀
【學(xué)位授予單位】：河北大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41;TN948.6
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-17
• 1.1 選題背景及其意義10-11
• 1.2 課題來源及研究現(xiàn)狀11-13
• 1.2.1 國內(nèi)的研究現(xiàn)狀11-12
• 1.2.2 國外的研究現(xiàn)狀12-13
• 1.3 監(jiān)控對象跟蹤和動作識別的重要問題13-14
• 1.3.1 目標(biāo)跟蹤中的重要問題13
• 1.3.2 動作識別中的關(guān)鍵問題13-14
• 1.4 本文所做的工作14-15
• 1.5 論文結(jié)構(gòu)安排15-17
• 第2章 視頻監(jiān)控中對目標(biāo)檢測的算法17-31
• 2.1 常用的目標(biāo)檢測算法17-22
• 2.1.1 幀間差分法17-19
• 2.1.2 光流法19-20
• 2.1.3 背景減除法20-22
• 2.2 改進(jìn)的背景減除法22-25
• 2.3 三幀差分法25-26
• 2.4 背景減除法與三幀差分法的結(jié)合26-30
• 2.5 本章小結(jié)30-31
• 第3章 運(yùn)動目標(biāo)的跟蹤技術(shù)31-45
• 3.1 常用的目標(biāo)跟蹤算法31-33
• 3.2 Mean Shift跟蹤算法33-35
• 3.2.1 核密度估計法的跟蹤理論33-34
• 3.2.2 Mean Shift的基本思想及物理含義34-35
• 3.3 Mean shift算法在目標(biāo)跟蹤中的應(yīng)用35-37
• 3.3.1 目標(biāo)模型的設(shè)計35-36
• 3.3.2 Mean Shift迭代過程36
• 3.3.3 Mean Shift算法跟蹤步驟36-37
• 3.3.4 運(yùn)用Mean Shift算法進(jìn)行目標(biāo)跟蹤37
• 3.4 CamShift的算法37-41
• 3.4.1 CamShift的算法簡介37
• 3.4.2 CamShift算法原理37-41
• 3.5 CamShift粒子濾波算法41-44
• 3.5.1 粒子濾波算法原理41
• 3.5.2 基于CamShift算法粒子濾波算法原理41-42
• 3.5.3 算法描述42-43
• 3.5.4 實驗結(jié)果對比圖43-44
• 3.6 本章小節(jié)44-45
• 第4章 人體姿勢特征提取45-55
• 4.1 基于關(guān)鍵幀特征的運(yùn)動行為匹配分類45-50
• 4.1.1 圖像的矩特征45-49
• 4.1.2 關(guān)鍵幀特征匹配算法49-50
• 4.2 基于隱馬爾可夫的運(yùn)動行為分類50-52
• 4.3 實驗結(jié)果與分析52-54
• 4.4 本章小結(jié)54-55
• 第5章 總結(jié)與展望55-57
• 5.1 本文所作的主要工作55-56
• 5.2 工作展望56-57
• 參考文獻(xiàn)57-60
• 致謝60

  本文關(guān)鍵詞：視頻監(jiān)控中運(yùn)動目標(biāo)的檢測、跟蹤與動作識別算法的研究

  更多相關(guān)文章： CamShift 粒子濾波 背景減除法 opencv 關(guān)鍵姿態(tài)幀

，

本文編號：512924