復(fù)雜機場監(jiān)控環(huán)境下的行為檢測.pdf

1、在計算機視覺和模式識別領(lǐng)域，動態(tài)場景下的行為檢測和識別是最受關(guān)注的研究方向之一，它具有很廣泛的應(yīng)用前景。但是現(xiàn)今大多數(shù)的研究都是針對于簡單環(huán)境的，如果將現(xiàn)有的方法直接應(yīng)用于復(fù)雜場景下，檢測和識別效果不佳，所以本文提出使用拆分模型來提取復(fù)雜場景下的目標(biāo)行為，從而提高行為識別率。
　　 本文主要是針對復(fù)雜機場環(huán)境下的行為檢測。機場視頻量大，活動對象多而且復(fù)雜，互相遮擋比較嚴(yán)重，所以本文主要是針對靠近攝像頭區(qū)域的人類行為，對于遠(yuǎn)離攝像

2、頭，動作細(xì)微的行為不進(jìn)行檢測識別。
　　 本文中提取運動人體區(qū)域使用的是幀間差的方法，提取對象特征使用的是興趣點的方法。所謂的興趣點就是在整個視頻段上像素變化的局部最大值，這些興趣點能反映行為的局部特征，而這些局部特征的組合就能區(qū)別不同的行為。興趣點的提取采用Harris角點的方法。鑒于上述第二段所講述的機場視頻的特征，本文的研究重點在于如何從復(fù)雜環(huán)境下提取目標(biāo)行為的特征，即從整個場景下的興趣點集合中獲取目標(biāo)行為對應(yīng)的興趣點集合

3、。解決這個問題的方法是采用Graphviz工具和k-means聚類方法，在人工交互的情況下，提取最貼合目標(biāo)行為的特征。通過這個拆分過程可以訓(xùn)練得到一個拆分模型。
　　 本文中每個行為視頻的描述采用的是bag-of-words的方法，利用所有訓(xùn)練樣本提取的cuboids特征聚類生成visual words，則每個行為視頻可以表示為各類visual word出現(xiàn)概率的一個向量，然后利用SVM訓(xùn)練得到行為模型。
　　 測試樣本