基于視覺的人體運動分析是指對視頻中的運動人體進行檢測、識別和跟蹤,并理解和描述人體行為,它是計算機視覺領(lǐng)域中一個新興的研究方向。人體運動分析系統(tǒng)通常涉及圖像預(yù)處理、運動目標(biāo)檢測和識別、運動人體跟蹤、人體行為理解與描述等幾個主要研究內(nèi)容。目前在運動目標(biāo)檢測、識別及跟蹤上得到相對成熟的研究成果,而在人體行為理解與描述方面,仍然存在大量問題亟待解決。本文就人體運動分析系統(tǒng)中的圖像平滑、跟蹤算法的尺度自適應(yīng)性,以及人體行為理解等問題展開研究,取得的主要成果包括：（1）提出了一種基于視覺掩蔽效應(yīng)的各向異性擴散系數(shù)方程,改進了各向異性擴散圖像平滑算法,能有效濾除人體運動序列圖像中的噪聲。比較了現(xiàn)有幾種基于各向異性擴散方程的平滑算法的性能,實驗結(jié)果表明,本文方法不僅使恢復(fù)圖像質(zhì)量更好,信噪比更高,且算法的收斂速度快。（2）由于Mean-Shift算法和粒子濾波算法在目標(biāo)尺寸變化大時不能準(zhǔn)確跟蹤,定義了多尺度圖像信息量（MSIIM）,基于此信息量,提出了一種自動更新跟蹤窗口尺寸的目標(biāo)跟蹤算法。實驗結(jié)果表明,本文改進的跟蹤算法,對逐漸增大的運動目標(biāo)和逐漸減小的運動目標(biāo)都能實現(xiàn)準(zhǔn)確地實時跟蹤。（3）提出了... 

【文章來源】：南京理工大學(xué)江蘇省 211工程院校

【文章頁數(shù)】：136 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
Abstract
插圖
1 緒論
    1.1 人體運動分析的研究背景及意義
    1.2 人體運動分析系統(tǒng)的一般性框架
        1.2.1 運動目標(biāo)檢測
        1.2.2 目標(biāo)分類
        1.2.3 人體的跟蹤
        1.2.4 行為理解與描述
        1.2.5 異常事件檢測
    1.3 國內(nèi)外的研究現(xiàn)狀
        1.3.1 人體運動分析的應(yīng)用現(xiàn)狀
        1.3.2 人體運動分析的通用數(shù)據(jù)庫
        1.3.3 人體運動分析中存在的困難
    1.4 本文的主要工作和結(jié)構(gòu)安排
        1.4.1 本文的主要工作
        1.4.2 本文結(jié)構(gòu)安排
2 圖像預(yù)處理與目標(biāo)跟蹤
    2.1 基于視覺掩蔽效應(yīng)的多尺度圖像平滑算法
        2.1.1 基于各向異性擴散的圖像平滑算法
        2.1.2 各向異性擴散系數(shù)的改進
        2.1.3 實驗結(jié)果
    2.2 跟蹤窗自適應(yīng)的目標(biāo)跟蹤算法
        2.2.1 基于彩色直方圖特征的目標(biāo)跟蹤
        2.2.2 自動選擇跟蹤窗尺度的目標(biāo)跟蹤算法
    2.3 本章小結(jié)
3 人體運動序列分割及行為識別
    3.1 特征提取
    3.2 人體運動序列分割算法
        3.2.1 基于PCA的本征維數(shù)估計
        3.2.2 分割算法
    3.3 基于HMM的行為識別
    3.4 實驗結(jié)果
        3.4.1 行為序列分割結(jié)果
        3.4.2 行為序列識別結(jié)果
    3.5 本章小結(jié)
4 基于決策樹支持向量機分類器的人體行為識別系統(tǒng)
    4.1 視頻采集
    4.2 基于背景減除法的運動目標(biāo)檢測
        4.2.1 背景模型的建立和更新
        4.2.2 陰影檢測
    4.3 特征提取
        4.3.1 運動能量圖像和運動歷史圖像
        4.3.2 運動能量序列
        4.3.3 運動能量圖像輪廓編碼
        4.3.4 最小外接矩形框
    4.4 基于決策樹支持向量機的行為分類
        4.4.1 支持向量機
        4.4.2 基于先驗知識的決策樹支持向量機行為識別算法
        4.4.3 基于聚類的決策樹支持向量機行為識別算法
    4.5 本章小結(jié)
5 家居看護中的異常行為檢測
    5.1 基于組合分類器的異常行為檢測
        5.1.1 行為特征提取
        5.1.2 組合分類器的設(shè)計
        5.1.3 實驗結(jié)果
    5.2 基于支持向量機的異常行為檢測
        5.2.1 行為的分類
        5.2.2 基于SVM的異常行為識別
        5.2.3 實驗結(jié)果
    5.3 本章小結(jié)
6 結(jié)束語
致謝
參考文獻
附錄


【參考文獻】：
期刊論文
[1]基于視覺的人行為理解綜述[J]. 凌志剛,趙春暉,梁彥,潘泉,王燕.  計算機應(yīng)用研究. 2008(09)
[2]基于Segmental-DTW的無監(jiān)督行為序列分割[J]. 吳曉婕,胡占義,吳毅紅.  軟件學(xué)報. 2008(09)
[3]基于半監(jiān)督學(xué)習(xí)的行為建模與異常檢測[J]. 李和平,胡占義,吳毅紅,吳福朝.  軟件學(xué)報. 2007(03)
[4]基于視覺的人的運動識別綜述[J]. 杜友田,陳峰,徐文立,李永彬.  電子學(xué)報. 2007(01)
[5]多分類支撐向量機綜述[J]. 黃良力.  中國水運(學(xué)術(shù)版). 2006(05)
[6]視覺跟蹤技術(shù)綜述[J]. 侯志強,韓崇昭.  自動化學(xué)報. 2006(04)
[7]基于統(tǒng)計模型和活動輪廓的運動目標(biāo)檢測與跟蹤[J]. 王長軍,朱善安.  浙江大學(xué)學(xué)報(工學(xué)版). 2006(02)
[8]Mean-Shift跟蹤算法中核函數(shù)窗寬的自動選取[J]. 彭寧嵩,楊杰,劉志,張風(fēng)超.  軟件學(xué)報. 2005(09)
[9]基于像素灰度歸類的背景重構(gòu)算法[J]. 侯志強,韓崇昭.  軟件學(xué)報. 2005(09)
[10]基于視覺特征的尺度空間信息量度量[J]. 王鄭耀,程正興,湯少杰.  中國圖象圖形學(xué)報. 2005(07)

博士論文
[1]支持向量機在機器學(xué)習(xí)中的應(yīng)用研究[D]. 羅瑜.西南交通大學(xué) 2007

碩士論文
[1]基于多分類器集成的模式識別研究[D]. 潘翔.浙江工業(yè)大學(xué) 2002



本文編號：3549423