基于监控视频流的人体行为识别技术的研究与实现

发布时间：2021-06-16 22:04

　　近年来,视频辨识是计算机视觉领域研究的难点和热点。目前大部分研究人员主要针对静态图片中的人体行为展开研究,采用静态图片的方法忽略了行为存在的连续性特点,且样本之间缺少时间上的关联。本文考虑到行为的时序性,以视频流为数据源分析人体的运动特征,以一定场景下的走、站立、坐下和摔倒四种人体行为的研究为出发点,实现视频流或图像序列中不同行为的分类与识别。本文的主要研究工作如下:（1）对比分析了国内外基于监控视频流的人体行为识别方法,对涉及的行为识别技术进行了研究,并分析了各类算法的利弊与应用缺陷,在此基础上设计了本文的研究方法并提出了解决问题的新思路。（2）以修剪过的具有单标签类别的视频流作为数据源,应用改进的密集轨迹算法提取人体行为的轨迹特征、HOG特征、HOF特征、MBH特征,实现对多种特征的Fisher Vector编码处理,并进行L2范数归一化处理。结合三维卷积动态神经网络提取的时序特征,对多种特征赋予一定权值系数和核函数进行特征融合,优化后的特征融合算法较单一特征更具有针对性,行为特征更强。采用有监督学习的方法在整理的行为数据样本中训练人体行为识别模型,在公共数据集HDMB51和自己数... 

【文章来源】：青岛大学山东省

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题背景及意义
        1.1.1 背景介绍
        1.1.2 研究意义
    1.2 国内外研究现状
        1.2.1 目标检测研究现状
        1.2.2 目标跟踪研究现状
        1.2.3 行为判识研究现状
        1.2.4 技术现状难点分析
    1.3 主要研究内容
    1.4 论文结构安排
第二章 卷积神经网络
    2.1 基本理论知识
        2.1.1 Padding
        2.1.2 卷积步长
        2.1.3 三维卷积
        2.1.4 池化层
        2.1.5 全连接层
        2.1.6 激活函数
        2.1.7 前向传播和后向传播
    2.2 典型神经网络模型
    2.3 Caffe框架
        2.3.1 网络模型
        2.3.2 参数配置
    2.4 本章小结
第三章 行为检测方法
    3.1 目标检测定义
    3.2 滑窗法
    3.3 选择性搜索方法
    3.4 对比分析
    3.5 本章小结
第四章 人体行为特征
    4.1 图像预处理
    4.2 局部特征提取
        4.2.1 surf特征匹配
        4.2.2 密集采样特征点
        4.2.3 轨迹与轨迹描述子
        4.2.4 运动描述子
        4.2.5 特征归一化
        4.2.6 特征编码原理
    4.3 卷积特征
    4.4 多特征融合算法
    4.5 本章小结
第五章 人体行为识别与验证
    5.1 公共数据库介绍
    5.2 样本数据集
    5.3 分类器
        5.3.1 Softmax分类器
        5.3.2 SVM分类器
    5.4 行为模型训练和微调
    5.5 试验结果对比与分析
    5.6 本章小结
第六章 总结与展望
    6.1 工作总结
    6.2 未来展望
参考文献
攻读学位期间的研究成果
致谢


【参考文献】：
期刊论文
[1]基于深度学习的目标跟踪方法研究现状与展望[J]. 罗海波,许凌云,惠斌,常铮.  红外与激光工程. 2017(05)
[2]3D CNNs与LSTMs在行为识别中的组合及其应用[J]. 秦阳,莫凌飞,郭文科,李钒.  测控技术. 2017(02)
[3]基于主题隐马尔科夫模型的人体异常行为识别[J]. 朱旭东,刘志镜.  计算机科学. 2012(03)
[4]基于Harris与Sift算法的图像匹配方法[J]. 邱建国,张建国,李凯.  测试技术学报. 2009(03)



本文编号：3233872