序列圖像中的人的檢測(cè)、跟蹤、動(dòng)作識(shí)別的研究.pdf

1、本文主要研究視頻圖像中人的檢測(cè)和跟蹤以及人的動(dòng)作識(shí)別。人的檢測(cè)、跟蹤和動(dòng)作識(shí)別既是當(dāng)前計(jì)算機(jī)視覺(jué)和人工智能領(lǐng)域研究的熱點(diǎn)也是難點(diǎn)之一。熱點(diǎn)在于它的應(yīng)用前景非常廣泛，無(wú)論是在視頻監(jiān)控、人機(jī)交互還是在視頻檢索等領(lǐng)域，都具有很大的應(yīng)用潛力。難點(diǎn)在于人的動(dòng)作種類非常多，動(dòng)作特征變化大，容易受環(huán)境影響等。本論文借鑒了目前應(yīng)用于動(dòng)作識(shí)別的主流技術(shù)，如特征點(diǎn)、支持向量機(jī)、Mean-Shift等，提出了改進(jìn)的方法，并通過(guò)實(shí)驗(yàn)證明論文提出的方法在識(shí)別的準(zhǔn)

2、確性和魯棒性方面有所提高。論文的主要?jiǎng)?chuàng)新點(diǎn)概述如下：
　　 ⑴提出了一種自然光條件下的顏色模型，并結(jié)合模板、圖模型和貝葉斯方法提出了一種行人的檢測(cè)方法?；陬伾治?，提出的顏色模型能夠較好的適應(yīng)光照和角度的變化。利用行人的特點(diǎn)進(jìn)行模板檢測(cè)，提高了算法的效率。由于對(duì)象隨時(shí)間變化，可能改變尺度大小，又提出了一種結(jié)合二個(gè)參考節(jié)點(diǎn)的圖模型來(lái)檢測(cè)對(duì)象的位置和大小。
　　 ⑵改進(jìn)了mean shift方法，提出一種基于模板的結(jié)構(gòu)化的

3、核函數(shù)的人的跟蹤方法。mean shift在很多的實(shí)驗(yàn)研究中被證明能有效的跟蹤目標(biāo)，它的問(wèn)題在于跟蹤窗口的大小難于確定，易受環(huán)境的影響，并且在目標(biāo)尺度變換的情況下，有可能會(huì)失效。本文根據(jù)跟蹤目標(biāo)的特點(diǎn)，把目標(biāo)分成幾個(gè)部分，每個(gè)部分有自己的特征，每個(gè)部分相互之間具有空間結(jié)構(gòu)關(guān)系，這樣就可以有多個(gè)具有空間位置關(guān)系的核函數(shù)分別跟蹤目標(biāo)的每個(gè)部分。同時(shí)設(shè)計(jì)了一個(gè)簡(jiǎn)潔有效的算法，使得在分別跟蹤目標(biāo)的不同部分時(shí)相互約束，從而提高了跟蹤精度，實(shí)驗(yàn)表明

4、其跟蹤的精度要優(yōu)于原有mean shift方法。
　　 ⑶提出一種結(jié)合輪廓特征和DTW來(lái)識(shí)別人的動(dòng)作方法。DTW最初應(yīng)用于信號(hào)處理領(lǐng)域，并在語(yǔ)音識(shí)別中也發(fā)揮了重要作用，但在應(yīng)用于動(dòng)作識(shí)別時(shí)，需要解決如何求得不同序列中對(duì)應(yīng)節(jié)點(diǎn)距離的問(wèn)題。由于人的動(dòng)作序列是一組由前后次序關(guān)系的動(dòng)作姿態(tài)構(gòu)成的序列，而輪廓信息能夠較好的抓住不同動(dòng)作的姿態(tài)，且DTW能夠比較具有先后時(shí)間關(guān)系的序列的相似度，所以提出一種結(jié)合輪廓信息和DTW得到序列之間的距離

5、，并用最近鄰法識(shí)別不同的動(dòng)作類型，此外還實(shí)現(xiàn)了一個(gè)高效的輪廓匹配方法。實(shí)驗(yàn)證明所提方法能夠在較短時(shí)間內(nèi)檢測(cè)出不同的動(dòng)作類型。
　　 ⑷提出一種SVM-SMM人的動(dòng)作識(shí)別方法，該方法利用半馬爾科夫(SMM)為動(dòng)作序列建立模型，并用支持向量機(jī)(SVM)通過(guò)訓(xùn)練得到模型參數(shù)。這里的動(dòng)作識(shí)別是指對(duì)一個(gè)包含不同動(dòng)作類型的連續(xù)的動(dòng)作序列的識(shí)別，因此該動(dòng)作識(shí)別的本質(zhì)也是一個(gè)動(dòng)作分割問(wèn)題，即在一個(gè)動(dòng)作序列中，根據(jù)不同的動(dòng)作分割成序列段，并分別加

6、以識(shí)別。SMM的優(yōu)點(diǎn)在于它能夠?yàn)槎我约岸闻c段之間的關(guān)系建立模型，而該模型的參數(shù)是通過(guò)廣義SVM方法學(xué)習(xí)得到。實(shí)驗(yàn)表明所提出的SVM-SMM方法要優(yōu)于HMM-SVM和SVM方法。
　　 ⑸在DTW和編輯距離(edit distance)基礎(chǔ)上，提出了一種彈性序列關(guān)聯(lián)方法(ESC)來(lái)進(jìn)行動(dòng)作的分割和識(shí)別，并進(jìn)而把該方法應(yīng)用于視頻中動(dòng)作的檢索。實(shí)驗(yàn)表明該方法不僅提高了識(shí)別率，而且提高了搜索效率。
　　 ⑹在特征點(diǎn)的基礎(chǔ)上，利用