基于动作特征的视频监控网络行人识别算法

发布时间：2017-09-18 16:05

  本文关键词：基于动作特征的视频监控网络行人识别算法

  更多相关文章： 视频监控 目标重识别 生物特征 特征投影 度量学习

【摘要】：近年来,随着视频监控技术的发展,有越来越多的摄像头被部署在安防领域,随之也产生了大量的监控视频。现有的视频监控系统只能记录视频,或提供有限的智能监控能力,如人流监测、越界报警、违法行为抓拍等。在案件发生后对特定目标的识别和追踪,则主要依靠大量的警力人工筛选。在视频监控系统中对特定目标进行追踪是很有意义的一项工作。由于视频监控系统的特殊性,网络化视频监控系统中追踪问题的实质是目标重识别问题。现有的目标重识别算法多是提取静态图像特征,这些特征往往不够稳定,且容易进行伪装。考虑到行人目标的动作如步态往往含有丰富的信息,本文提出用基于动作的特征来对行人进行识别。本文的主要工作和贡献归纳如下：(1)结合视频监控系统的结构和任务背景建立行人重识别的算法框架,在此基础上进行算法研究。针对监控视频的特点,用改进的混合高斯背景模型对视频监控摄像机的背景进行建模,并提取前景目标。对前景目标进行滤波和形态学处理得到完好的前景区域,使其满足后续特征提取算法的要求,并在此基础上进行步态周期的判定。(2)提出一种基于步态光流能量图的步态特征提取算法。首先,用基于区域分割和参数运动模型的光流算法计算每时刻人体区域的密集光流信息。之后综合一个步态周期内各时刻的光流图生成步态光流能量图作为原始步态特征。然后用主成分分析和线性判别分析的特征降维方法对原始步态特征进行降维得到具有良好可分性的步态特征。针对步态特征在不同视角间的识别率存在下降明显的情况,用基于截断奇异值分解的方法对不同视角下的特征进行特征变换,从而提高不同视角下步态特征的识别率。在公开测试集上的实验结果说明,该套方法能够取得良好的识别效率。(3)提出一种基于关节点信息的步态特征提取算法。首先提出一种基于人体比例先验知识的二维图像人体关节点提取算法。然后基于关节点信息随时间变化的模式提取步态特征。由于关节点所反映的步态特征是随时间变化的,且对行人步态周期采样的不恒定会引起步态特征在时间维度上的对齐问题。针对这个问题,本文用基于动态时间规整的方法对步态特征进行识别。并与时域特征、频域特征以及基于隐马尔可夫模型的步态识别算法进行比较,说明了该算法的优越性。针对时域特征识别率较低的问题,用基于大间隔最近邻的度量学习方法得到最优的距离度量,使步态识别率得到进一步提高。
【关键词】：视频监控 目标重识别 生物特征 特征投影 度量学习
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 致谢5-6
• 摘要6-7
• Abstract7-11
• 第一章 绪论11-21
• 1.1 课题背景与研究意义11-14
• 1.1.1 视频监控技术的重要作用11
• 1.1.2 视频监控行业发展现状11-12
• 1.1.3 视频监控系统追踪任务问题描述12-13
• 1.1.4 课题研究意义13-14
• 1.2 论文所涉及技术研究现状14-18
• 1.2.1 基于图像特征重识别的研究14-15
• 1.2.2 基于动作特征重识别的研究15-18
• 1.3 本文研究内容及章节安排18-21
• 1.3.1 研究内容19
• 1.3.2 章节安排19-21
• 第二章 视频监控系统组成与视频图像预处理21-33
• 2.1 引言21
• 2.2 系统组成与算法框架21-24
• 2.2.1 视频监控系统组成21-23
• 2.2.2 重识别算法框架23-24
• 2.3 视频图像预处理24-32
• 2.3.1 背景减除算法24-28
• 2.3.2 轮廓区域优化28-29
• 2.3.3 人体区域的缩放与对齐29-31
• 2.3.4 步态周期的提取31-32
• 2.4 本章小结32-33
• 第三章 基于光流信息的步态特征33-59
• 3.1 引言33-34
• 3.2 现有步态特征提取算法34-35
• 3.3 步态光流计算35-46
• 3.3.1 光流简介35-38
• 3.3.2 基于区域分割和参数运动模型的光流算法38-46
• 3.4 特征提取46-47
• 3.5 特征降维47-53
• 3.5.1 主成分分析47-50
• 3.5.2 线性判别分析50-53
• 3.6 多视角问题53-54
• 3.7 算法验证54-57
• 3.7.1 实验设计54-55
• 3.7.2 实验结果及分析55-57
• 3.8 本章小结57-59
• 第四章 基于关节点信息的步态特征59-83
• 4.1 引言59-60
• 4.2 关节点提取60-67
• 4.3 特征提取67-72
• 4.3.1 多项式曲线拟合67-68
• 4.3.2 频域分析68
• 4.3.3 隐马尔可夫模型68-70
• 4.3.4 动态时间规整70-72
• 4.4 度量学习72-73
• 4.5 算法验证73-81
• 4.5.1 实验设计77
• 4.5.2 实验结果及分析77-81
• 4.6 本章小结81-83
• 第五章 总结与展望83-85
• 5.1 论文总结83-84
• 5.2 研究展望84-85
• 参考文献85-89
• 作者简介89
• 攻读硕士学位期间发表的论文89

【参考文献】

中国期刊全文数据库 前1条

1 孙倩茹;王文敏;刘宏;;视频序列的人体运动描述方法综述[J];智能系统学报;2013年03期

，

本文编号：876499