论文部分内容阅读
近年来，突发事件和异常事件逐渐增多，安防监控成为人们关注的焦点。大规模的视频监控系统被建立，涌现出海量的视频，加上工作人员精力有限，时刻进行人工监控是不可能的，因此智能视频监控变得不可或缺。视频中大部分内容涉及人的行为活动，实现人体行为的自动识别具有很重要的学术价值和应用价值。人体行为识别涉及到很多学科领域，例如，数字图像处理、机器学习理论、计算机视觉、模式识别等。而且由于人体运动的复杂性和外部环境的多样性，使得人体行为识别具有一定的难度。慢特征理论的出现，弥补了传统的一些特征提取方法的不足，能够提取出表征运动本质的不随时间变化或随时间变化比较缓慢的特征，为特征提取提供了新的思路。本文基于慢特征理论，将其应用到人体行为识别中，完成的工作主要包括: (1)人体特征点跟踪是提取慢特征的前提和基础。传统方法中，使用光流法跟踪特征点，但是当目标运动尺度较大时，将难以满足光流图像一致性假设，因此会导致特征点出现漂移甚至跟踪丢失的现象。针对这一问题，本文在传统方法的基础上引入金字塔的思想，提出了基于Lucas-Kanade金字塔光流算法的人体特征点跟踪方法。该方法能够较好的实现较大尺度运动的特征点的跟踪，有效解决了特征点容易跟踪丢失的问题; (2)特征提取是人体行为分析的关键，目前特征分析技术大多是线性的，对非线性处理会产生错误的结果。针对这一问题，本文提出了一种新的特征提取方法，即慢特征分析方法。该方法能够有效的提取出慢特征，而且D-SFA算法引入了监督信息，提取的慢特征在行为类间具有很强的区分力和选择性; (3)考虑到Weizmann数据库样本数量比较少，而支持向量机是一种能够在样本较少的情况下做出正确分类的分类器，因此本文提出了使用支持向量机的方法对人体行为进行分类识别。把提取出来的慢特征随机分为训练样本和测试样本进行分类器的设计以及交叉验证实验。实验结果表明，本文所提算法与其它文献中的方法相比，有较高的正确识别率，能够实现预期的分类。