基于視頻的人體行為識別關(guān)鍵技術(shù)研究.pdf

1、基于視頻的人體行為識別作為目前視頻分析與理解中的熱門研究方向之一，在人機交互、視頻監(jiān)控、虛擬現(xiàn)實、以及運動分析等方面具有廣闊的應(yīng)用前景。基于視頻的人體行為識別主要包括特征表示與特征提取、特征融合以及行為識別幾個方面研究內(nèi)容，目的是利用現(xiàn)有的計算機技術(shù)使機器能夠像人類一樣具有識別、分析、以及理解人體行為的能力?；谝曨l的人體行為識別技術(shù)盡管已取得了長足的進步與發(fā)展，當(dāng)前人們?nèi)匀幻媾R如何高效、準(zhǔn)確地獲取人體行為特征，進而對維度空間進行有效降

2、維的問題。為了解決上述問題，同時考慮到多特征方法可以有效地解決單一特征表達精度不高、魯棒性差等問題，本文探索從視頻中自動對時空域內(nèi)的靜動態(tài)特征進行融合的方法，研究借助相鄰幀的上下文相關(guān)性特點來提高人體行為融合特征的識別性能。
　　本文以人體行為為研究對象，通過分析視頻中人體行為的特征表示、人體行為特征融合以及人體行為分類等算法，重點對基于時空域的人體行為靜動態(tài)多特征融合、基于網(wǎng)格量化的人體行為特征提取算法、人體行為深度特征提取、以

3、及異常人體行為識別等問題進行了探索研究。
　　本文提出了一種基于輪廓及運動矢量提取深度特征的人體行為識別方法。該方法實現(xiàn)簡單，無需對攝像機標(biāo)定和計算內(nèi)外參數(shù)，即可從單目視頻中生成人體行為深度特征。由于人體運動關(guān)鍵特征點數(shù)量少以及噪聲等原因，深度特征會存在部分缺失，為了估計出該類特征值，本文采用基于邊緣均值的特征修復(fù)方法。為與人體行為實際深度特征進行比較，在DHA數(shù)據(jù)庫上進行了實驗，結(jié)果證明兩者的識別性能相當(dāng)，在沒有深度采集設(shè)備的條

4、件下，使用該方法仍然可以獲得較高的識別率。
　　本文提出了一種基于相鄰幀融合靜動態(tài)多特征的人體行為識別方法。首先在時空域特征提取框架中選擇三類特征對人體行為進行描述，其中靜態(tài)特征選取了具有尺度、平移和旋轉(zhuǎn)不變性的人體輪廓不變矩描述子和可以表示人體區(qū)域整體以及局部細(xì)節(jié)的輪廓特征，動態(tài)特征則選取了能夠描述人體動態(tài)信息的光流特征。其次，由于視頻幀與相鄰幀之間存在一定的上下文關(guān)聯(lián)性，本文通過鄰幀加權(quán)求均值方法對視頻幀與相鄰幀的人體輪廓和光

5、流徑向直方圖特征進行融合，該方法可以增強時空域內(nèi)人體行為特征的描述能力，有效地降低了畸變興趣點對目標(biāo)識別造成的不良影響，解決了視頻中單幀缺少時空特征的問題。為融合幀內(nèi)不同靜動態(tài)特征以解決維度空間過高的問題，本文采用K-L變換對人體輪廓徑向直方圖和光流徑向直方圖進行融合。實驗表明，引入三類特征以及相鄰幀特征融合方法能有效地提高特征區(qū)分度，在同樣特征數(shù)量級下提高了人體行為識別的準(zhǔn)確度。
　　本文提出了一種基于網(wǎng)格量化多特征的人體行為識

6、別方法，該方法利用網(wǎng)格量化，去除了靜動態(tài)特征之間的冗余信息，有效地降低了特征維度空間。該方法利用關(guān)鍵幀及DTW實現(xiàn)快速的人體行為分類。
　　本文提出了一種改進的基于光流網(wǎng)格量化特征及馬爾科夫隨機場模型的異常人體行為識別算法，用于復(fù)雜環(huán)境下的異常人體行為分類。首先對光流方向等特征進行網(wǎng)格量化，獲得表征人體行為運動的視覺詞袋。進而將視頻序列中的幀劃分成若干個區(qū)塊做為MRF模型的節(jié)點。為了能夠求出區(qū)塊的特征描述符，需要再對區(qū)塊進行劃分得