基于视频序列的人体行为识别研究-光学工程专业论文.docxVIP

摘要 当前，人体行为识别是计算机智能视觉监控领域中最活跃的研究主题之一，其核 心是利用计算机视觉技术从视频中检测、跟踪人并对其行为进行识别。行为识别在虚 拟现实、视觉监控、感知接口等领域均有着广阔的应用前景。其关键技术集中在目标 的特征提取与行为分类识别算法。 本文根据科研项目《基于图像传感器阵列目标跟踪监控系统的研究与实现》的研 制要求，研究了简单场景下单人的行为识别，主要研究的内容有视频中运动目标分 割，PCA主分量分析与运动速度特征提取算法，SVM支持向量机与HMM隐马尔科夫 分类识别算法以及基于多分类器融合技术的支持向量机与隐马尔科夫的融合算法，并 对人的跑、蹲、站、弯腰、招手、指和走这7种行为进行了分类识别。主要工作如下: 1、由于人体远离与靠近摄像头时人体会发生大小变化，直接采用同一大小的矩 形框分割将会带来较多冗余信息。所以本文采用基于轮廓的质心提取方法将人体目标 进行较精确分割。而后再采用象素关系重采样放缩方法将人体行为图片序列进行大小 归一化。这样既能减少冗余数据又能减少了后面特征提取的数据处理。实验结果表明， 采用上述方法能够较精确并较完整地提取运动目标。 2、针对在大部分文章当中从8个方向识别人体行为时，走与跑的行为的识别率相 对比较低的情况，故而采用运动速度特征与主分量分析PCA外形特征相结合，再用支 持向量机SVM构成的多类分类器从8个方向对人的7种行为动作进行分类识别，由于增 加了运动特征，故在很大的程度上提高了走与跑行为的识别率。 3、针对用支持向量机对人体行为进行识别时，指与站的识别率相对较低的情况， 本文利用指与站等行为的时变数据的特性，采用隐马尔科夫算法对人体行为进行一种 新的变状态数的建模及分类识别。首先利用提取到的组合特征进VQ训练及量化，然后 巴量化后的数据作为隐马尔科夫模型训练与识别的观察符号，这样就可以大大地降低 特征数据的维数，减少数据处理。最后再用隐马尔科夫模型HMM的几个修正后的经典 算法对其进行训练，为每一种行为建立一个隐马尔科夫模型，其中每一种模型的最佳 状态数由实验确定。由于隐马尔科夫模型能够有效地匹配时变数据，故指与站的识别 率得到了一定的提高。 4、采用目前广泛运用于模式识别中的多分类器融合技术，将支持向量机与隐马尔 科夫模型构成的分类器进行融合，弥补了它们在人体行为识别方面对某些行为动作的 识别时都表现出的各自的缺点。再从8个方向对人的7种行为动作进行识别，各种行为 动作都达到了最优的识别率。 关键词:人体行为识别;主分量分析;隐马尔科夫模型; 支持向量机;计算机视觉. 万方数据 I – – – PAGE IV – 万方数据 – – PAGE III – 万方数据 Abstract At present, human behavior recognition is the most active research topic in com- puter smart visual surveillance, and its core is the use of computer vision technology from the video detection, people tracking and identification of its conduct, it has broad application prospects in virtual reality, visual surveillance, perceptual interface areas. Its key technology focus on the algorithm of the target feature extraction and behaviors classification. Based on research,Image-based target tracking sensor array monitoring system research and implementationof the development of requirements,this paper studies the recognition of individual human behavior under easy scenes,including the moving ob- ject segmentation, principal component analysis and speed exercise feature extraction algorithm, support sector machine and hidden markov model recogn