视频中的人体运动分析及其应用研究

摘要

基于视觉的人体运动分析是指对视频中的运动人体进行检测、识别和跟踪，并理解和描述人体行为，它是计算机视觉领域中一个新兴的研究方向。人体运动分析系统通常涉及图像预处理、运动目标检测和识别、运动人体跟踪、人体行为理解与描述等几个主要研究内容。目前在运动目标检测、识别及跟踪上得到相对成熟的研究成果，而在人体行为理解与描述方面，仍然存在大量问题亟待解决。
　　 本文就人体运动分析系统中的图像平滑、跟踪算法的尺度自适应性，以及人体行为理解等问题展开研究，取得的主要成果包括：
　　 (1)提出了一种基于视觉掩蔽效应的各向异性扩散系数方程，改进了各向异性扩散图像平滑算法，能有效滤除人体运动序列图像中的噪声。比较了现有几种基于各向异性扩散方程的平滑算法的性能，实验结果表明，本文方法不仅使恢复图像质量更好，信噪比更高，且算法的收敛速度快。
　　 (2)由于Mean-Shift算法和粒子滤波算法在目标尺寸变化大时不能准确跟踪，定义了多尺度图像信息量(MSIIM)，基于此信息量，提出了一种自动更新跟踪窗口尺寸的目标跟踪算法。实验结果表明，本文改进的跟踪算法，对逐渐增大的运动目标和逐渐减小的运动目标都能实现准确地实时跟踪。
　　 (3)提出了一种无监督的人体运动序列分割算法，并对分割出的行为段采用隐马尔可夫模型(HMM)识别。然而，当前多数行为识别算法只关注于识别包含单个行为模式的行为段，忽略了运动序列的分割。本文提出通过检测特征向量的本征维数的突变点实现运动序列的分割，本征维数采用主成分分析(PCA)方法估计。提出了一种基于紧轮廓编码的点集特征描述运动人体。在当前最常用的两个公共数据库上的实验结果表明本文算法的有效性。
　　 (4)采用安装在室内墙体上的Panasonic(WV-CW960)摄像头自行拍摄了人体各类行为视频，建立了行为数据库OwnSet，作为后续行为识别和异常检测算法的研究对象。实验场景符合实际监控场景，数据库共包含六种行为：行走、慢跑、坐下、蹲下、跌倒和不动行为(站立、蹲着、坐着)。
　　 (5)提出了一个多类行为分类识别系统，包含四个模块：视频采集、运动目标检测与定位、特征提取以及行为分类识别。在运动目标检测与定位模块，采用背景减除法；在特征提取模块，分别提出了运动能量序列(MES)和运动能量图像轮廓编码(CCMEI)特征；在行为识别模块，引入了分层分类的思想，分别提出了基于先验知识的决策树支持向量机多分类器和基于聚类的决策树支持向量机多分类器，且后者比前者更具有通用性。在数据库OwnSet和公共数据库上的实验结果表明本文提出的系统对不完整的运动人体块，严重的阴影，以及各种不同的衣着等都表现出了稳定的识别性能，识别率明显高于已有算法。
　　 (6)研究了人体运动分析在智能监控中的应用，提出了家居看护中的日常行为异常检测算法，实现在无人照看的老人、小孩或病人遇到跌倒危险时监控系统给出及时告警。提出了基于组合分类器的跌倒检测算法，从OwnSet数据库的六种行为中检测出跌倒；提出了基于支持向量机分类器的跌倒检测算法，不仅能检测跌倒行为，还能区分是行进中发生的跌倒行为还是原地跌倒行为，从而判断跌倒的危害程度。实验结果表明算法的识别性能较高，且由于算法简单，系统实时性高，易于在实际应用中推广。
　　 最后，分析了目前人体运动分析系统中存在的一些困难和亟待解决的问题，指出了进一步的研究方向。

目录

文摘

英文文摘

论文说明：图表目录

声明

1绪论

1.1人体运动分析的研究背景及意义

1.2人体运动分析系统的一般性框架

1.2.1运动目标检测

1.2.2目标分类

1.2.3人体的跟踪

1.2.4行为理解与描述

1.2.5异常事件检测

1.3国内外的研究现状

1.3.1人体运动分析的应用现状

1.3.2人体运动分析的通用数据库

1.3.3人体运动分析中存在的困难

1.4本文的主要工作和结构安排

1.4.1本文的主要工作

1.4.2本文结构安排

2图像预处理与目标跟踪

2.1基于视觉掩蔽效应的多尺度图像平滑算法

2.1.1基于各向异性扩散的图像平滑算法

2.1.2各向异性扩散系数的改进

2.1.3实验结果

2.2跟踪窗自适应的目标跟踪算法

2.2.1基于彩色直方图特征的目标跟踪

2.2.2自动选择跟踪窗尺度的目标跟踪算法

2.3本章小结

3人体运动序列分割及行为识别

3.1特征提取

3.2人体运动序列分割算法

3.2.1基于PCA的本征维数估计

3.2.2分割算法

3.3基于HMM的行为识别

3.4实验结果

3.4.1行为序列分割结果

3.4.2行为序列识别结果

3.5本章小结

4基于决策树支持向量机分类器的人体行为识别系统

4.1视频采集

4.2基于背景减除法的运动目标检测

4.2.1背景模型的建立和更新

4.2.2阴影检测

4.3特征提取

4.3.1运动能量图像和运动历史图像

4.3.2运动能量序列

4.3.3运动能量图像轮廓编码

4.3.4最小外接矩形框

4.4基于决策树支持向量机的行为分类

4.4.1支持向量机

4.4.2基于先验知识的决策树支持向量机行为识别算法

4.4.3基于聚类的决策树支持向量机行为识别算法

4.5本章小结

5家居看护中的异常行为检测

5.1基于组合分类器的异常行为检测

5.1.1行为特征提取

5.1.2组合分类器的设计

5.1.3实验结果

5.2基于支持向量机的异常行为检测

5.2.1行为的分类

5.2.2基于SVM的异常行为识别

5.2.3实验结果

5.3本章小结

6结束语

致谢

参考文献

附 录