基于移动轨迹分析的大鼠行为识别研究

发布时间：2020-12-24 22:56

　　移动目标的检测一直是计算机视觉领域的研究热点之一,在安防、军事、导航、监控、科学研究等领域有着广泛的应用。随着计算机技术的发展与国家互联网+战略的实施,视频检测与计算机视觉算法会有越来越多的用途,其中移动目标的行为识别是很重要的一个分支。本文以大鼠机器人视频为研究对象,对视频中大鼠的前景提取与基于移动轨迹的行为识别两个问题进行了相关的研究和探讨。对于目标识别,采用了Vibe背景建模与前景检测算法,相比普通的背景差分,成功提高了大鼠机器人前景检测的准确性；而对于行为识别问题,提出了基于模拟退火策略的轨迹点去噪算法,并提取了轨迹的曲率序列特征,在此基础上提出了基于曲率序列特征与概率方法相结合的行为识别方法。具体而言,主要包括以下内容：1) 使用Vibe算法准确而高效的将大鼠视频进行前景与背景的分离,大大提升了大鼠机器人前景二值图的质量,并能有效的适应光照变化、摄像头抖动等噪声的影响。2) 通过分析大鼠机器人前景图,提取出视频每帧中大鼠的中心点,并利用模拟退火算法提取出路径轨迹的主干点。如果需要重现轨迹,可以利用B样条插值算法对轨迹进行拟合。这大大节省了视频轨迹数据的存储空间,并消除了绝大部... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景与意义
    1.2 大鼠机器人行为分析的挑战
    1.3 本文的研究目标与贡献
第2章 背景建模与前景检测
    2.1 背景建模概述
    2.2 朴素背景差分法
        2.2.1 概述
        2.2.2 算法流程
        2.2.3 算法分析
    2.3 混合高斯背景模型
        2.3.1 单高斯模型
        2.3.2 混合高斯背景模型
        2.3.3 算法步骤
        2.3.4 实验效果
    2.4 VIBE背景建模算法
        2.4.1 背景差分方法的思考
        2.4.2 ViBe算法
    2.5 本章小结
第3章 移动轨迹提取与去噪
    3.1 移动对象轨迹概述
    3.2 轨迹数据提取
    3.3 卡尔曼滤波
        3.3.1 卡尔曼滤波基本思想
        3.3.2 卡尔曼滤波的不足
    3.4 基于模拟退火的运动轨迹去噪算法
        3.4.1 广义费马点
        3.4.2 广义费马点的求解
        3.4.3 基于模拟退火的轨迹去噪算法
        3.4.4 实验结果
    3.5 本章小结
第4章 基于马尔可夫链的轨迹行为识别
    4.1 实验标注数据库
    4.2 马尔可夫链
    4.3 基于移动轨迹的自适应地图分块
        4.3.1 人工分块
        4.3.2 自适应分块
    4.4 基于马尔可夫链的行为识别算法
        4.4.1 分类问题综述
        4.4.2 贝叶斯定理
        4.4.3 朴素贝叶斯分类原理
        4.4.4 马尔可夫链行为分类实验
    4.5 本章小结
第5章 几何特征与马尔可夫链相结合的行为识别
    5.1 轨迹曲率特征
        5.1.1 空间曲线与曲率
        5.1.2 移动轨迹的曲率
    5.2 基于轨迹曲率特征的行为分类
        5.2.1 支持向量机原理简介
        5.2.2 曲率特征与概率方法结合的行为识别
    5.3 实验对比与推广
        5.3.1 与其它实验方法的对比
        5.3.2 算法推广
    5.4 基于移动对象轨迹的行为识别算法流程总结
    5.5 本章小结
第6章 总结与展望
    6.1 本文总结
    6.2 展望
参考文献
攻读硕士学位期间主要的研究成果
致谢



本文编号：2936456