基于多示例学习法的人体行为识别

提出了基于多示例学习法的人体行为识别方法。利用人体骨架模型,将人体主要关节的属性特征作为人体运动的几何特征,提出了一种基于行为几何特征的自适应行为分解算法,将行为分解为简单动作。把分解后的行为看作一个包,各个动作看作包中的各个示例,结合多示例学习法与Any Boost算法提出了多示例行为学习算法(MILBoost算法),通过在多示例框架下对每一类行为进行学习,得到强分类器用于未知行为包的识别。实验结果表明该方法与其他方法相比具有更高的识别精度,并且在有噪声或干扰的情况下具有很好的识别精度。     

融合LBP特征和运动特征的运动分类算法

本文提出了一种局部二值模式(Local Binary Pattern,LBP)特征和运动特征相融合的运动分类算法。首先,利用背景差分法检出视频中的运动人体序列,将运动人体序列经过LBP算子处理得到LBP直方图特征。然后,将LBP直方图特征和运动人体质心的速度特征相融合作为运动人体行为分析的识别特征,应用BP神经网络进行行为分类识别。在Weizmann和KTH行为数据库上进行了算法实验研究,人体行为识别的平均准确率达到了90.78%。实验结果表明:该方法在识别率方面明显优于常规方法进行识别的结果。     

基于轨迹分析的交通目标异常行为识别

针对交通监控中运动目标的异常行为识别问题,提出一种基于轨迹分析的异常行为识别方法。首先,引入目标的空间位置、运动速度、运动方向和大小尺寸等特征参数对轨迹进行描述和聚类,以提高对目标轨迹的区分和识别能力;然后,提出一种行为识别数据库的建立和调用方法,并以实际交通场景为例,详细说明了数据库的建立和调用过程;最后,采用基于Bayes最优化的方法对轨迹进行联合匹配和边缘匹配,并根据匹配情况调用行为识别数据库对目标行为进行识别。实验结果表明,该方法切实有效,具有一定的实际应用价值。     

基于视频大数据的商业智能化应用

本文提出了一种通过基于智能视频监控的商场超市客流行为智能分析,对监控区域的顾客数量、顾客滞留时间、运动轨迹等进行实时的自动统计,从而实现基于视频分析的商场超市智能经营决策支撑系统的创新应用,从而辅助商场管理者进行精细化管理和运营.其核心技术包括了运动目标检测、人体目标识别和运动人体跟踪等开放环境下的视频分析算法.     

视频图像中人体运动目标检测算法研究

视频图像中人体运动目标的检测是人体运动视觉分析的主要研究方向之一,在许多方面有着广泛的应用.主要针对摄像头固定即静态背景下的情况,提出一种基于高斯建模的背景减除法来实现运动目标的检测,并对运动目标实现人体分类判别,不仅可以较为精确地从背景中提取出前景区域,获得人体目标信息,又对环境有一定的自适应性,算法具有比较良好的鲁棒性.     

基于视觉的人体行为识别研究

本文基于视觉的人体行为识别方面的研究,主要还是在运动目标提取、特征提取方面。1人体行为识别常用方法人体活动是一种非常复杂的运动,由于人体的活动是非常自由的一种存在,难以预料,甚至会随着人体衣着打扮各不相同,直接导致运动着的人体外观产生很大差异,这就使我们对其研究时产生了很大的困难。在人体行为识别对技能视频监控,人体运动分析,     

基于特征点的多运动目标跟踪

该文针对智能监控的需求,提出基于特征的多运动目标跟踪算法。通过自适应Marr小波核函数背景建模算法,在冗余离散小波域进行多运动目标识别。运动跟踪采用SIFT特征粒子滤波算法,并采用队列链表法记录多运动目标之间的数据关联,在提高识别准确率的同时降低了运算的复杂度。实际测试表明,该算法对于多运动目标识别跟踪具有更优越的实时性和抗遮挡性,在智能监控领域具有较广泛的应用前景。     

应用于运动视频目标跟踪的改进粒子滤波模型技术研究

粒子滤波作为目标跟踪的主流技术,在人体运动视频分析中具有广阔的应用前景。为了进一步提高目标追踪的精度,提出一种基于改进粒子滤波模型的运动视频目标跟踪算法。采用HSV分布模型构建目标观测模型,结合粒子滤波器和退化权值检测运动目标是否出现在目标观测模型中。最后引入遗传算法对粒子滤波算法进行改进,以便消除粒子退化的现象。在体育运动员视频中进行测试验证,实验结果表明,提出的算法能够有效完成运动视频中的人体目标跟踪,与其他算法相比,提出算法的精度和运行效率更高。     

基于超宽带雷达的运动人体目标跟踪成像算法

 超宽带雷达用于人体探测,在大规模城区巷战、反恐斗争和灾害救援等方面有着广阔的应用前景.传统的超宽带成像算法在识别能力及计算效率上已不能满足要求.本文针对运动人体目标场景建立系统模型,将人体运动等效为天线移动扫描,基于快速SEABED成像算法提出一种用于超宽带雷达的动目标跟踪成像算法.仿真与实验结果验证了算法的有效性和可行性,该算法对系统硬件要求低,实时性好,准确度高,能完成对运动目标速度估计及运动轨迹跟踪,并对目标边界成像.     

单传感器数据驱动的人体日常短时行为识别方法

在基于惯性传感器的人体行为识别研究中，特征提取是其中的关键环节之一。而离散数据统计特征的稳定性依赖于特征提取的窗口大小。一般来说，训练数据的窗口长度需要大于一个运动周期。因此，针对测试数据远小于一个运动周期的短序列样本识别问题，提出了一种基于模板匹配的新的解决方案。首先，通过适当分割训练数据的长序列样本，构建一个过完备的短时行为模板库，将待测短时样本与模板库中样本进行一致化处理并进行匹配；其次，在匹配算法中，采用样本间的F范数与整体梯度向量的2范数累加作为匹配度量准则，得到相似度直方图；最后，基于相似度直方图，根据投票策略得到最终分类识别结果。实验表明:在使用单传感器识别短时行为的情况下，新算法比传统算法在精度和稳定性上具有更好的性能，并能适应不同窗口下短时行为分类问题。     

多摄像机在无重叠区域的目标匹配算法

基于颜色特征的目标匹配方法具有很好的区分性和直观性,但是特征本身受光线变化、背景复杂度等影响而对于目标识别准确率存在差异.针对这一现状,提出了一种新的基于时空局部特征和颜色特征的目标匹配方法.利用时空局部特征3-D LSK对待测视频中的运动目标进行行为识别,识别出具有相同行为目标.再结合目标的颜色特征,通过基于区域权重(Weighted Region Matching)的颜色匹配方法来识别出具有相同颜色的目标.对无重叠区域的多个测试视频进行的相关实验表明,该算法能够有效识别出普通场景下的不同目标,对于衣着颜色相近的不同目标也有很高的识别率.     

基于视频的运动目标检测与识别

为了对目标进行跟踪和识别,针对固定场景提出一种基于视频的运动目标检测和识别算法.该方法采用改进的混合高斯模型为动态背景更新方法,并结合梯度背景差分方法及Otsu's阈值分割法提取出运动目标,然后利用目标特征参数建立目标链,通过两条目标链间的目标特征匹配实现运动目标的快速跟踪与行为识别.该方法与传统方法相比具有更好的学习能力,提高了算法的场景适应性,从而有效地提高了运动目标检测的正确率和快速性.实验结果表明该方法具有良好的鲁棒性和自适应性.     

基于凸型模板的目标行为识别算法

为了解决智能视频监控领域中针对人体翻越警戒线等异常行为的监测识别问题,提出了一种基于凸型模板算法对人体躯干目标检测、姿态跟踪的方法。分析了凸型模板跟踪人体躯干的原理和改进算法的实现步骤。通过引入人体躯干倾斜角度来分析目标与警戒线的位置关系,构建了翻越警戒线判决规则。实验证明所提的方法运算复杂度较低,可靠性较好,具有较强的工程实用性和操作性。     

基于机器视觉的石化场景人员危险行为识别

针对石油化工场景下传统的人体行为识别算法只关注人员自身行为,无法识别打手机、抽烟等属于人-物交互危险行为的问题,在基于骨骼点的人体行为识别任务中引入目标检测机制,提出基于深度学习的人-物交互行为识别算法.首先,采用OpenPose算法进行姿态估计,进而利用行为识别方法获取初始行为类别;其次,针对传统方法丢失背景和语义信息的问题,使用YOLOv3算法检测感兴趣物体,获得类别和位置信息;然后,通过判断人与物体的空间位置关系来表征人-物交互关系;最后,提出决策融合策略,对人的初始行为类别、物体信息、人-物交互关系进行决策融合,得到最终的行为识别结果.以打手机和抽烟行为为例对所提算法进行验证分析,结果表明,所提算法可以对石化场景下人员的危险行为进行准确识别.     

行为识别技术的研究与发展

行为分析有着广泛的应用前景,如智能视频监控、人机交互、自动识别报警、公共安全等方面,行为分析已成为相关领域的研究热点并有其潜在的经济价值.在人工智能和自动化操控迅速发展的当下,行为分析作为人工智能发展的中流砥柱也成为了国内外研究人员相继探讨的热点,关于人体行为分析的研究方式、模型算法和描述方法都取得了切实有效的发展.根据采用不同识别技术人体行为识别目前主流要分为四大类:基于计算机视觉的行为识别、基于传感器系统的行为识别、基于位置的行为识别和基于人物交互的行为识别.这篇文章主要探讨研究了行为识别技术和应用这2个方面的问题,综述了目前已有的技术情况,在探讨该方向各类技术的发展情况和研究现状的基础上,总结了当前行为分析仍然存在的问题和未来可能的发展前景.     

基于灰度特征和自适应阈值的虚拟背景提取研究

针对虚拟背景提取(Visual Background extractor,ViBe)算法在目标检测时容易出现鬼影和运动目标阴影的缺点,该文提出了一种基于灰度特征和自适应阈值的ViBe背景建模改进方法。该算法首先利用ViBe算法进行背景建模,得到前景目标,然后对前景目标进行灰度特征判断和自适应阈值比较,得到没有鬼影和运动目标阴影的运动目标。实验结果表明,改进后的算法可以很好地弥补ViBe算法的不足,提高ViBe算法的识别准确率。     

视频监控的目标检测研究

为了实时准确的提取出运动目标,提出了一种基于帧问差分的背景重建算法及基于运动前景的背景更新算法。该算法先对摄像头采集的视频序列进行帧间差分背景重建,通过自适应阈值的背景减法得到运动前景,并分辨出运动目标和伪运动目标,然后进行区域性背景更新。当背景发生整体或局部变化时,该算法能够快速地检测出背景变化,并采用相应算法实时更新背景。实验结果表明,该算法能快速、准确地重建出背景,从而能够完整地提取场景中的运动目标。     

基于改进TSN的人体异常行为检测算法分析

阐述传统的CNN不能从时间序列中提取特征信息，在空域支流中引入LSTM网络，消除复杂场景对识别人体行为的影响，获得更加精细的运动目标轮廓信息。针对传统稠密光流法对于相似动作的区分还存在检错的问题，提出了光流二次稀疏提取法，以提高人体异常行为检测的准确率。实验证明，在复杂的车间环境下，该改进算法的平均识别率达到了94.4%，相较于其他深度学习算法提高了3%，有效提高人体异常行为识别的准确率及响应速度。     

基于行为模式的海上目标轨迹分段算法

海上目标监视系统实时获取并长期积累了大量轨迹数据,深入挖掘分析其中蕴含的目标行为特征,是提升传统的基于声光电磁特性的海上目标探测技术性能的重要途径。在轨迹聚类、轨迹预测和行为分析等数据挖掘的预处理环节中,主流的轨迹分段算法以最小化损失为分段依据,没有给分段轨迹赋予行为模式等语义内涵,限制了分段轨迹的应用范围。对此,本文提出一种基于行为模式的海上目标轨迹分段算法,通过定义七种目标行为模式,制定行为模式优先级,达到轨迹分段的目的。通过提取轨迹段的特征值,真实的保留轨迹特征,尽可能的还原轨迹。实验分析表明,本文的算法能准确合理的进行轨迹分段并真实的还原轨迹,不同的算法参数对应不同的应用场景。最终,本文对算法分段结果的应用前景进行展望。      

基于图像分割与特征匹配的目标检测及跟踪

提出了一种静止背景下多运动目标检测与识别跟踪的新方法。该方法将自适应背景差分法与特征匹配算法相结合。首先,利用自适应背景差分法检测出运动目标,然后标记前景区域,提取前景区域的大小和形心作为目标特征,在形心位置特征空间上运用最小距离搜索算法以实现目标跟踪。实验结果证明,该算法对刚体和非刚体目标均能快速、有效地识别跟踪,并且具有良好的鲁棒性。