论文部分内容阅读
智能视觉监控作为近年来计算机视觉领域的研究热点，也是计算机应用领域内的关注重点，它的主要职责是利用视觉计算技术、图像视频处理技术以与及模式识别人工智能技术实现所监控场景的自主图像处理、分析和理解。其相关研究成果已经在智能交通管理、社会公共安全管理、人机交互技术、智慧城市建设、智慧医疗建设等诸多方面发挥出巨大的社会效益和经济效益。本文从智能视觉监控的理论研究和实际应用出发，通过对智能视觉监控发展现状和国内外研究动态的讨论，引出了论文的相关工作：1)运动目标的实时检测，通过对现有背景建模算法优劣的比较分析，将混合高斯模型以及背景检测与时间差分法进行有效改进，并重点研究了码本模型在运动目标检测中的应用。针对原始码本模型对动态背景适应力不强以及更新效率较低的问题，提出了一种基于时间序列统计的改进码本模型的运动目标检测算法。该算法会自动将击中数量最大的码元放置在码本模型的顶端，实现码元成功匹配概率的显著增加；同时在模型更新时摒弃逐帧更新的方式，采用一种缓存更新的策略。实验表明，该方法不仅可以消除动态因素引起的误检，还可鲁棒地处理多运动目标、光照变化等动态场景的目标检测问题。2)运动目标的实时跟踪，本文针对传统均值漂移算法无法融入目标的空间信息，以及当运动目标颜色分布与监控场景的颜色分布相近时容易发生目标跟踪失败和目标丢失的问题，提出了一种基于团块信息的运动目标跟踪算法。该算法通过运动目标的最小外接矩形、运动目标的水平投影和垂直投影信息确定运动目标的分块划分，并根据各分块的Bhattacharyya系数值确定各块的权重系数；同时通过引入卡尔曼滤波预测团块目标的可能位置，有效地优化了均值漂移算法的计算效率。实验表明，该跟踪方法不仅可以自适应地确定目标分块，而且在部分遮挡和形变等情况下比传统的均值漂移算法具有更好的跟踪准确性和鲁棒性。3)运动目标行为分析方面，本文针对人体运动行为分类时的有效特征选择问题，提出一种基于关键帧特征匹配的运动行为分类算法。它利用人体行为在时间序列上生成关键姿态集合的特点，通过人体行为的周期特性分析总结出人体最小外接矩形的宽高比与关键姿态之间的关联关系。通过利用图像的混合小波矩特征建立关键姿态模板，计算检测样本与关键姿态模板之间距离的平均值与最小方差的加权最小值来评判图像的相似程度，从而判别测试样本所属行为类别。实验证明，该方法从可以实现同一段时间内不同动作变速动作的分类，有效提高人体行为分类的准确率。4)在基于关键帧姿态分析的基础上，本文提出以混合小波矩作为人体运动行为的描述特征，通过对混合小波矩参数的优化，有效地降低噪声的干扰，实现了特征向量的简化；同时依据人体运动序列的马尔科夫性质，训练建立人体行为样本的隐马尔科夫模型，比较训练样本和测试样本中关键姿态图像的相似度，将相似度最大的关键姿态图像的混合小波矩特征值完成人体行为的动作编码，作为隐马尔可夫模型的输入值；使用Baum-Welch算法训练隐马尔科夫模型，并采用Veterbi算法对测试数据进行行为分类与识别。实验证明，该方法对复杂行为达到了较高的识别率，对不同类型的行为具有良好的通用性。5)利用隐马尔可夫模型模型产生的各个人体运动行为矩阵，本文构造了一种朴素贝叶斯组合分类器来实现人体行为分类。它把每个人体运动的关键帧姿态作为一个状态点，通过将这些状态点的概率信息联合起来，那么任意运动行为都能被视为是不同关键帧姿态所对应状态点的集合，经过遍历状态点集合的联合概率计算，则其中状态似然概率的最大值可被选为待分类行为的所属类别。实验证明，本文的方法表现出较好的识别性能、适用性能和校验性能，从而更加适合复杂环境的要求。