收藏本站
《哈尔滨工业大学》 2015年
收藏 | 手机打开
二维码
手机客户端打开本文

运动目标检测及其行为分析研究

文嘉俊  
【摘要】:视频分析作为主动视觉信息挖掘的重要工具在目标发现、目标识别以及异常行为检测等方面发挥着重要作用。随着监控数据与日俱增,与传统人工处理方式相比,智能视频分析具有明显的优势。如何通过视频分析自动发现视频中的感兴趣目标或者行为,并及时对其进行预警和处理成为了重要的研究课题。运动目标检测和目标识别是视频分析的核心内容,也是图像理解的重要手段。然而在视频环境中,场景光线变化、阴影干扰、摄像机倾斜拍摄、识别目标不对齐等等因素给目标检测与识别带来很大影响。如何在这些复杂环境下进行有效的特征提取和目标表示是视频分析的关键问题。本文在结合统计方法和子空间方法的基础上,设计了一系列统计模型和子空间模型解决视频分析任务中的关键问题。本文主要研究内容及成果总结如下:(1)根据类内距离最大化的原则,提出了帧集划分方法,并把该方法作为低秩分解在运动目标检测上的预处理步骤,使平均检测精度在Pets 2006等数据集上提高了13%。现有低秩分解方法过分依赖于子空间模型对背景图像进行建模,而忽略运动目标的统计特征,比如位置的分布信息。本工作通过对帧集进行划分,使获得的每个子集中的稀疏噪声分布更有利于前景和背景的分离。为了解决由此引起的子集规模过小问题,我们把运动幅度较小的视频帧作为每个子集的补充,从而增加真实背景像素的个数。本工作探讨了一种结合统计方法和子空间方法的途径,在充分利用两者优势的同时使检测算法在光照变化、严重遮挡等复杂的监控环境下具有更强的鲁棒性。(2)提出一种无监督最优特征选择方法,把降维、稀疏表示、联合稀疏特征抽取和特征选择以及分类融合到统一的目标函数中以实现对动作的识别。传统子空间方法往往把构图和分类两个过程分开优化,导致通过构图得到的投影矩阵对分类来说并不是最优的。本文所提出的方法可以同时对投影矩阵和稀疏表示矩阵进行优化,从而选出对分类最有利的特征。在理论分析方面,本文给出了算法的收敛性证明以及计算复杂度分析。最后,本文把所提出的方法与现有方法在人体动作识别数据库上进行比较,通过实验说明了本文方法在目标识别上的有效性。(3)提出了基于多方向高斯建模的速率学习模型,从而让监控系统在无需标定的情况下,发现各种监控场景中的快速移动目标。在银行监控系统中,行人快速移动被认为是一种异常行为。然而行人在监控画面中的运动速率会因为投影变换的影响而呈现出非线性变化。本文首先通过理论分析得出图像中目标运动速率与其真实情况下运动速率的关系。然后提出在多个方向区间上使用高斯模型对目标运动速率的均值和方差进行学习。为了确定多个方向中的主方向区间,我们使用了基本的Fisher模型。但是该模型在极值处没有尖点,从而导致无法确定最优主方向角度。为此我们提出了改进Fisher算法从而使最优方向区间模型的目标函数在极值处存在尖点。当训练阶段结束以后,为了解决某些像素位置上出现学习不充分,即欠学习的问题,我们提出权重随机一致采样算法对参数进行三维曲面拟合,从而利用周围已获得充分学习的像素参数估计欠学习位置上的参数。算法最后在银行提供的监控视频数据上与现有异常运动检测算法相比,获得更高的检测率和较低的误检率。(4)提出一种基于Ada Boost与多特征结合的人数统计方法。在垂直架设摄像机中,我们使用Ada Boost算法对视频中的运动目标进行检测。然后提出使用多种特征对感兴趣目标进一步确认,从而提高检测和跟踪的性能。多种特征包括匹配响应特征、运动强度特征以及尺度特征。针对不同的应用场景,我们给出了两种跟踪方案。第一种是近邻跟踪法,主要运用在画面清晰场景简单的情况。第二种是基于最优颜色聚类的跟踪方法,主要应用在情况较为复杂的场景。为了测试所提出算法与其他方法的性能,我们建立了具有多类情况的人数统计数据集。所提出算法在该数据集上获得比其他方法更好的统计结果,平均统计精度达到95%以上。综上,为了解决运动目标检测及其行为分析中的关键问题,本文结合统计方法和子空间方法从视频中提取有效特征并对目标进行表示。所提出的方法和研发的系统在公开数据库以及真实数据上获得了很好的实验结果,部分算法已经在实时监控系统中运行。
【学位授予单位】:哈尔滨工业大学
【学位级别】:博士
【学位授予年份】:2015
【分类号】:TP391.41

 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026