视频监控中的步态特征提取系统研究与开发

发布时间：2022-02-05 05:53

　　现如今,视频监控行业发展迅速。大量监控摄像头带来了数据量的增加,由此出现检索困难,实时响应差等问题。对视频监控内容进行智能化分析越来越重要,其中,视频中行人目标身份识别在刑侦检索、自助服务等方面起到非常重要的作用。步态识别通过行走姿态实现身份识别,无需人为配合且适应较远距离。要将步态识别技术应用到视频监控中,首要任务是获取行人的步态特征表达,需要解决在复杂监控场景下获取行人有效步态特征问题。因此,针对视频监控下的步态特征提取,需要解决两个问题:特征表达选择及获取和复杂背景环境下步态特征的提取。首先为了避免环境颜色、光照、拍摄角度等因素对识别的影响,结合步态识别领域采用的研究对象的广泛性,选取步态轮廓图序列或步态模板作为步态特征表达,将特征提取转化为行人前景和背景区分问题。然后提出使用传统的背景建模方式进行处理,针对其存在的问题,提出深度学习语义分割结合检测和人形快照匹配的方式进行人形图像分割,以提取步态特征。最后通过集成步态识别算法,验证提取的步态特征的有效性,并通过实验对提取方法的有效性进行验证。实验测试结果表明,利用提取的步态特征,步态识别算法能准确的识别出再次出现的目标,且系统对... 

【文章来源】：华中科技大学湖北省211工程院校985工程院校教育部直属院校

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

二值轮廓图示例

图 1-2 轮廓图序列生成步态能量图Bashir 等人提出步态熵图[15]表示法，该种方法也基于轮廓图，主要获取运动信息外观的变化具有鲁棒性；Feng 等人[16]在 16 年指出步态能量图丢失了时间信息，使用基于姿态估计的卷积神经网络（Convolutional Neural Network, CNN）从单帧中提取出关节点热图（Heatmaps），然后输入到长短期记忆网络（Long Short-Teemory，LSTM）中提取时间信息，以此训练得到步态序列特征。近两年，步态识别

华 中 科 技 大 学 硕 士 学 位 论 文法中设计三个主要的参数：样本集数目 N，阈值 R 和 T，均需人工设定=20，R=20 和 T=2。图像语义分割景建模法可以看成是对视频中背景和前景的二分类问题，图像的语义分机理解图像意思，直接区分图像中不同内容来进行分割，属于图像多分类在像素级别分割出不同对象（包括背景类别），对图中每个像素均进行所分割示例如图 2-1 所示，来源于 Pascal VOC 2012 数据集[30]。

【参考文献】：
期刊论文
[1]基于深度学习的行人重识别研究进展[J]. 罗浩,姜伟,范星,张思朋.  自动化学报. 2019(11)
[2]步态识别关键技术研究[J]. 卢官明,衣美佳.  计算机技术与发展. 2015(07)
[3]行人步态的特征表达及识别综述[J]. 贲晛烨,徐森,王科俊.  模式识别与人工智能. 2012(01)



本文编号：3614685