视频中的人物目标检测与动作识别方法研究

发布时间：2017-10-13 16:36

  本文关键词：视频中的人物目标检测与动作识别方法研究

  更多相关文章： 目标检测 稀疏光流场 动作识别 时空特征兴趣点 KNN

【摘要】：人物的目标检测和动作识别都是计算机视觉理解领域的重要应用,随着智能化社会的发展,人们对生活安全的高度警惕和重视,该课题逐渐吸引了更多的研究人员。但是由于在动作识别中其背景、动作及过程的复杂性,该课题同样极具挑战性。本文的主要目的是在背景较为简单的前提下实现目标检测并对走路,挥手,慢跑,拳击,击掌,跑步六种动作进行正确识别。针对目标检测,本文研究了背景减除法,帧间差分法和光流法三种常用的方法,结合拍摄视频的背景和三种方法的优缺点选取背景减除法作为本文的最终目标检测方法。针对背景减除法中混合高斯模型方法的不足,提出了一种先将前景去除再进行背景建模的特征点稀疏光流场的方法。实验证明,该方法可以有效地去除改进之前背景建模中由于运动目标前景区域的遮挡引起的阴影问题,从而明显提高检测准确率。进行前景分割后,对目标区域进行特征提取并进行动作的分类识别。本文重点研究了基于时空特征兴趣点的方法,利用该方法进行特征提取后进行特征描述,然后利用词袋模型进行行为建模,最后采用KNN算法进行模型训练和最终的动作测试识别。本文的实验在KTH行为数据库上进行实验测试,结果表明,本文提出的方法能够提取理想的特征向量并得到良好的识别效果,初步验证了该系统的有效性,为实际应用提供了理论基础和实验基础。
【关键词】：目标检测 稀疏光流场 动作识别 时空特征兴趣点 KNN
【学位授予单位】：青岛大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 摘要2-3
• Abstract3-6
• 第一章 绪论6-12
• 1.1 研究背景和意义6-7
• 1.2 国内外研究现状7-9
• 1.3 动作识别的研究难点9-10
• 1.4 本文的主要内容及章节安排10-12
• 第二章 人体动作识别方法概述12-22
• 2.1 人的动作识别框架及流程12-13
• 2.2 基于算法的动作识别分类13-17
• 2.2.1 基于状态空间的方法13-15
• 2.2.2 基于模板匹配的方法15-17
• 2.3 动作识别系统模型17-20
• 2.3.1 词袋思想17-18
• 2.3.2 混合高斯模型18-20
• 2.4 本章小结20-22
• 第三章 视频中人物目标检测22-36
• 3.1 基于帧间差分法的目标检测22-24
• 3.2 基于背景减除法的目标检测24-26
• 3.2.1 统计平均法24-25
• 3.2.2 混合高斯模型法25-26
• 3.3 改进的混合高斯模型背景建模26-29
• 3.3.1 光流约束方程26-27
• 3.3.2 改进的稀疏光流目标轮廓追踪27-29
• 3.3.2.1 特征点提取28-29
• 3.3.2.2 角点处光流计算29
• 3.4 检测后处理29-34
• 3.4.1 去噪处理29-32
• 3.4.1.1 图像的腐蚀和膨胀30-31
• 3.4.1.2 开运算和闭运算31-32
• 3.4.2 人体判别32-33
• 3.4.3 人体轮廓提取33-34
• 3.5 本章小结34-36
• 第四章 基于时空兴趣点的动作识别研究36-48
• 4.1 词袋模型36-37
• 4.2 时空兴趣点特征提取37-43
• 4.2.1 3D-Harris角点检测38-40
• 4.2.2 Dollar检测算法40-41
• 4.2.3 Hessian特征点检测41-43
• 4.3 对兴趣点进行特征描述43-44
• 4.4 聚类算法44
• 4.5 分类算法44-48
• 4.5.1 支持向量机SVM44-45
• 4.5.2 K最近邻分类器KNN45-48
• 第五章 实验结果与分析48-58
• 5.1 实验样本选择48-49
• 5.2 目标检测实验及结果分析49-52
• 5.2.1 背景建模方法改进结果49-51
• 5.2.2 目标分割实验及结果分析51-52
• 5.3 特征提取实验及结果分析52-53
• 5.4 改进的特征提取实验及结果分析53-54
• 5.5 动作识别实验及结果分析54-58
• 第六章 总结与展望58-60
• 6.1 本文总结58-59
• 6.2 展望59-60
• 参考文献60-64
• 攻读学位期间的研究成果64-66
• 致谢66-67

，

本文编号：1025971