2015行为识别总结.pptVIP

人体行为识别总结 图像预处理 运动目标检测 运动目标分类 运动目标跟踪 行为识别与理解 图像预处理 噪声可以理解为“妨碍人们感觉器官对所接受的信息理解的因素”，例如一幅黑白图像，其亮度分布函数为F(x，y)，那么对其干扰作用的亮度分布R(X，y)便称为图像噪声。 改善图像质量的方法大致有两类: 一类是不考虑图像降质的原因，只将图像中感兴趣的部分加以处理或突出有用的图像特征，因此改善后的图像并不一定去逼近原图像。这一类图像改善方法称为图像增强，主要目的是提高图像的可懂度。另一类方法是针对图像降质的原因，设法补偿降质因素，处理后的图像尽可能的逼近原始的图像，这类方法称作是图像恢复或图像复原技术。 人体行为检测识别的研究内容与基本流程包括运动目标检测（运动目标分割）、运动目标分类、运动目标跟踪以及人体行为识别与理解 运动目标检测方法 目的是从序列图像中将变化区域从背景图像中提取出来。 目前比较常用的检测算法主要有： （1）时间差分法（Temporal Difference） （2）背景减除法（Background Subtraction） （3）光流法（Optical Flow） 时间差分法又可以称为帧间差分法、帧差法。 帧差法用相邻两帧或三帧的像素差分值来提取图像中的运动区域，如果差的绝对值小于某一阀值，则认为此像素点属于背景；反之，则属于前景。 当摄像头与场景静止时，图像具有相同的背景。 因此将同一背景不同时刻两幅图像进行比较，可以反映出一个运动物体在此背景下运动的结果， （2）背景减除法（Background Subtraction） 这种方法一般以摄像头固定为前提，利用当前图像与背景图像的差分来检测运动目标。 与时间差分法相比，基于背景减除法的运动目标检测方法可以提取出更为完整的目标图像，但在实际应用中所采集到的背景图像随着时间的推移，会对光照和外部条件造成的场景变化比较敏感，会出现许多伪运动目标点，影响到目标检测的结果 kim检测算法 时间差分法对于动态环境有很好的适应性，但不能完整的提取目标的所有相关点;背景减除法能够较完整的提取目标点，却又对光照和 外部条件造成的动态场景变化过于敏感。 为了解决上述两种问题，kim提出的一种运动检测方法，在利用连续两帧图像差的同时又加入了背景图像差，将两者结合起来，比较精确地提取了二值运动模板。 （3）光流法（Optical Flow） 当人的眼睛观察运动物体时，物体的景象在人眼的视网膜上形成一系列连续变化的图像，这一系列连续变化的信息不断“流过”视网膜(即图像平面)，好像一种光的“流”，故称之为光流。 当场景中有独立的运动目标时，通过光流分析可以确定运动目标的数目、运动速度、目标距离和目标的表面结构。 光流法的基本原理是:给图像中的每一个像素点赋予一个速度矢量，形成一个图像运动场，在运动的一个特定时刻，图像上的一点对应三维物体上的某一点，这种对应关系可由投影关系得到，根据各个像素点的速度矢量特征，可以对图像进行动态分析。光流可以反映出运动目标的速度的大小和方向。 运动目标分类是指区分出场景中的人和其他运动物体，目标分类的目的就是正确地从检测到的运动区域中将人体的运动区域提取出来。 目标分类主要方法有： （1）基于形状信息的分类（Shape Based Classification） （2）基于运动特征的分类（Motion Based Classification） （1）基于形状信息的分类（Shape Based Classification） 基于形状信息的分类是对所检测出来的运动目标，根据它们的形状轮廓信息来进行分类。该方法采用区域的宽高比、投影特性、轮廓变化、直方图、面积信息等特征作为物体分类的依据。 （2）基于运动特征的分类（Motion Based Classification） 人体的运动有时呈现出一定的周期性，同时也是非刚体运动。基于运动特征的分类通常使用人体运动的周期性，有效地区别出人与其他物体。 人的运动跟踪 （1）基于模型的跟踪（Model Based Tracking） （2）基于区域的跟踪（RegionBasedTracking） （3）基于活动轮廓的跟踪（Active Contour Based Tracking） （4）基于特征的跟踪（Feature Based Tracking） （1）基于模型的跟踪（Model Based Tracking） 基于模型的跟踪能够较为容易地解决遮挡问题。缺点是运动分析的精度取决于模型的精度，模型太过精细维数较高，运算也比较复杂，另外，在图像分辨率低的情况下，模型参数的估计比较困难。 （2）基于区域的跟踪（RegionBasedTracking）