基于多特征的视频中单人行为识别

基于视频流的运动人体行为识别是一项既具有挑战性同时又非常具有广阔应用前景的研究课题。行为识别是基于人体目标识别和人体跟踪更高级的计算机视觉部分,研究出一种健壮的行为识别算法具有重要的理论意义和广泛的应用前景。利用在视频的基础上提取出位置分布图、大小分布图等一系列的属性将人的行为进行分类。采用基于帧间差分和改进混合高斯模型的运动人体分割算法,解决了复杂背景下的运动目标检测问题。实验数据对提出的新的行为描述方法进行了各种指标的讨论,验证了本文提出的算法的合理性与高效性。     

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。     

基于深度学习的人体行为识别方法研究

为提高多目标人体行为识别的准确度,本研究借鉴了ST-GCN作者的思路,提出并改进一种基于深度学习的行为识别方法,该方法首先通过YOLOv5算法对视频序列的人体进行识别定位,其次利用改进的DeepSort跟踪算法对定位到的目标进行跟踪,并为每个目标分配不同的ID,再利用OpenPose提取目标人体的骨骼关节点,最后通过改进的ST-GCN算法实现人体行为的识别,从而解决多目标情况下人体行为识别错乱的问题。实验表明,相比原始未改进的算法模型,本研究改进的模型在识别准确率上提升了10%,证明了该方法的有效性。     

基于三帧差法的人体水中运动轨迹跟踪系统设计

为了解决传统的人体运动轨迹跟踪系统在进行水下跟踪时模型三维重建时间长,得到的跟踪轨迹与人体实际运动轨迹不符的问题,基于三帧差法设计一种新的人体运动轨迹跟踪系统。该系统针对水下环境进行深入研究,在硬件架构中设立了初始化层、运动检测层和人体跟踪层,并构建三维人体模型、运动特征提取模块和运动特征分割模块,以此确定人体的边界特征、灰度特征、轮廓特征和肤色特征。引用三帧差法设立系统软件流程,共分为图像检测、差分图像获得、阈值处理、连通性分析、图像判别五步。为检测跟踪系统效果,与传统跟踪系统进行实验对比,结果表明,基于三帧差法设计的人体水下运动轨迹跟踪系统可以在短时间内构建出三维模型,绘制的跟踪轨迹与实际运行轨迹相似度高于传统跟踪系统。     

基于视频流的运动人体检测和跟踪的研究实现

运动人体的检测和跟踪一直视频监控的核心部分。提出一种将检测和跟踪实时结合的跟踪方法,检测时采用背景帧差法和帧间差分法得到背景模型,跟踪时采用Kalman跟踪,将跟踪得到的人体和检测到的人体匹配。如果正确,则更新背景模型,否则继续搜索跟踪,及时更新背景模型。     

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。     

基于轮廓模型和AdaBoost算法的舞蹈人员跟踪技术研究

灯光效果控制是舞台演出表达艺术情感、营造匹配气氛的主要手段之一,特别是舞蹈人员的追光灯控制需要准确的人体目标检测与跟踪。因此,提出一种基于轮廓模型和AdaBoost算法的舞蹈人员跟踪算法。首先在YCbCr颜色空间采用Canny算子实现人体轮廓模型的检测,有效提高了跟踪的鲁棒性;然后采用基于级联结构的AdaBoost算法实现人体目标跟踪,并对弱分类器的构建与更新进行分析。实验结果显示相比其他算法,提出的跟踪算法具有较高的鲁棒性,并有效减少了在跟踪过程中产生的误差样本,从而提高了长时间跟踪的精确度。     

交通监控视频中的车辆异常行为检测

构建了利用交通监控视频对车辆异常行为进行检测的系统框架.使用改进Surendra背景差分与三帧差分相结合的算法进行车辆目标检测,结合CamShift算法与Kalman滤波器进行车辆目标跟踪,提取车辆质心绘制运动轨迹,针对车辆运动方向判别、违章变道、调头等行为提出了检测方法.实验结果表明,提出的交通监控视频中的车辆异常行为检测系统具有较高的实时性与准确性,部署简易快速,维护成本低廉,可以满足当今智能交通系统日益增长的需求.     

较大尺度运动下的人体特征点跟踪算法研究

利用光流法可以对视频中运动目标进行特征点跟踪,当目标存在较大尺度运动时,光流法图像一致性假设难以满足,导致特征点跟踪丢失。针对此问题,提出了一种基于Lucas-Kanade(L-K)金字塔光流算法的运动人体特征点跟踪方法。首先,利用帧间差分法得到帧差图像序列,获取行人的运动区域;然后用尺度不变特征变换（SIFT）算法检测选定初始帧中的特征点;最后运用L-K金字塔光流算法跟踪这些特征点在后续帧中的位置。实验结果表明,该算法对较大尺度运动的特征点跟踪有很好的效果,提高了跟踪的准确性。      

基于角点检测的光流目标跟踪算法

为了解决传统目标跟踪算法在目标发生旋转、变形等情况下容易丢失的缺陷,提出了首先使用Harris角点算法提取几个目标角点特征,光流法进行匹配点配准,最后采用重心算法确定目标脱靶量的跟踪方法.利用了角点提取算法具有运算速度快且能代表目标形状特征的特点以及光流配准具有匹配精度高的优点.实验结果表明,该方法具有较高的跟踪精度,对于目标旋转、变形、遮挡都具有很高的鲁棒性.     

融合GMS检测和置信度判别的TLD目标跟踪

针对目标在遮挡、尺度变化等复杂场景下易产生模型漂移问题,基于跟踪学习检测(TLD)框架提出一种结合基于网格的运动统计(GMS)检测和置信度判别的长时目标跟踪算法。首先在跟踪模块中采用快速判别尺度空间的相关滤波器(fDSST)作为跟踪器,利用位置滤波器和尺度滤波器对上一帧目标进行位置与尺度的判别,并依据TLD算法中跟踪模块与检测模块的独立性,将跟踪模块结果输入检测模块中,采用平均峰值相关能量(APCE)对模板更新进行置信度判别。在检测模块中先引入GMS网格运动统计作为检测器,使具有快速旋转不变性特征的ORB(OrientedFASTandRotatedBRIEF)算法对上一帧目标进行特征匹配,再利用网格运动统计对匹配结果进行过滤,实现目标位置的粗定位,依据预测位置对目标检测区域进行适当的动态缩减,最后使用级联分类器对目标进行精准定位。结果表明,本文提出的跟踪方法在有效防止模型漂移的情况下,大大提高了算法的跟踪速度,同时对目标遮挡、尺度变化及旋转等挑战环境也具有较好的准确性和鲁棒性。     

基于改进Camshift算法的NAO机器人目标跟踪

针对Camshift算法应用于NAO机器人目标跟踪过程中,当目标受到相似颜色背景干扰或被物体遮挡时跟踪失败的问题,提出一种基于ORB特征检测和Kalman滤波多算法结合的目标跟踪方法。首先检测目标ORB特征点初始化搜索窗口,然后利用Kalman滤波作为目标运动状态的预测机制,以预测的位置初始化Camshift算法。利用Bhattacharyya距离判断跟踪窗口的收敛性,若受到背景干扰,则利用ORB算法对当前帧中的Kalman预测区域和目标模型进行特征点匹配,重新检测目标在视频帧中的位置。根据Kalman滤波预测目标被物体遮挡后可能的位置来更新预测器参数。实验结果表明,改进的算法能够在相似颜色背景干扰和目标遮挡的复杂环境下,连续稳定地跟踪运动目标。     

基于多特征融合的行人检测跟踪统计方法

为了避免传统方法行人过线统计的不足,提高视频中人数统计的适用性和有效性,提出了一种基于多特征融合的行人检测跟踪统计方法。首先,采用垂直拍摄的方式获取视频,利用Mean-Shift分割算法分割图像,根据发色信息和头部轮廓特征识别出人头目标区域;其次使用融合多特征的匹配算法对人头进行匹配跟踪;最后通过运动目标轨迹分析估算出监控区域内的人数。实验结果表明提出的算法在保证准确率的前提下,扩大了人数统计的适用性。     

基于改进MeanShift的目标跟踪算法

针对传统Meanshift算法在某些干扰或遮挡情况下不能保证跟踪的准确性,以及目标模型内的背景像素也会造成定位偏差的问题,提出一种基于MeanShift的改进算法。首先对目标模型进行改进,通过目标与背景的区分度引入权系数,在目标模型中进行加权处理,可达到降低目标模型内背景像素对跟踪定位精度的影响。然后,将跟踪窗进行分块,对各子块使用改进目标模型的Meanshift算法进行跟踪。最后,用匹配度最大的两个子块加权决定目标的最终位置,从而在目标发生遮挡时能有效剔除被遮挡子块对目标定位的影响。实验表明,在复杂背景下,新算法仍然可以有效、准确地跟踪运动目标。     

基于DPM和KCF的十字靶标检测与跟踪

为了实现对十字靶标的自动检测与跟踪,建立了十字靶标检测跟踪模型。针对目标检测中运算量大、实时性差、目标跟踪需要人工标定视频初始帧的问题,提出了一种基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法。首先,提取十字样本集的梯度方向直方图(HOG)特征,采用Latent SVM分类器训练特征集,生成十字靶标物体类的DPM模型。然后,通过滑动窗口搜索匹配方法遍历待检测图片。最后,将检测到的结果作为跟踪算法的起始跟踪帧,应用KCF算法快速跟踪目标。当跟踪目标丢失时,暂时停止跟踪,利用DPM模型重新检测定位目标再进行跟踪。实验结果表明:采用DPM模型检测的平均帧率为1 fps,结合DPM和KCF算法,实时检测跟踪的平均帧率为40 fps。采用基于可变形部件模型(DPM)和核相关滤波器(KCF)的十字靶标检测跟踪算法,实现了目标的自动检测与实时跟踪,且检测速度明显高于传统算法,并且在目标漂移或丢失后自动重新定位并继续跟踪,完成十字靶标的长时间跟踪。     

人体快转向运动自适应卡尔曼跟踪算法

穿墙雷达对人体目标进行跟踪探测面临一系列技术难点,包括墙体反射产生的虚警、射频干扰、定位误差和目标丢失等。针对上述问题,文中基于多目标数据关联和自适应的卡尔曼滤波算法,提出一种适用于穿墙雷达探测的快转向运 动人体轨迹跟踪综合处理算法,重点解决快转向运动人体目标的跟踪及多运动人体目标的轨迹交叉等问题。实验结果验证了该算法具有虚警较少、轨迹平滑、计算量小、易于工程实现、定位误差可减小50% 等优点。对于反向运动的人体目标, 算法也可进行有效跟踪。     

基于Camshift和SIFT线性融合的目标跟踪算法研究

Camshift算法是对MeanShift算法的改进,它可以解决目标尺度缩放、持续跟踪等问题。但是当目标颜色与背景颜色接近或者目标遇到旋转问题时,Camshift算法容易失效。而SIFT算子对旋转、亮度变化保持不变性,对颜色相近也保持一定的稳定性,所以本文提出一种Camshift与SIFT算子线性融合的目标跟踪算法。首先利用Camshift算法来对目标进行初步的跟踪,得到跟踪区域,再利用SIFT特征向量来匹配目标区域与跟踪区域,得到SIFT的匹配和校正结果,再将两种算法的结果进行线性融合,得到最终的跟踪结果。实验结果表明,本文提出的方法可以有效地解决跟踪过程中出现的旋转、颜色相近等问题。     

一种自适应红外目标尺寸变化的检测跟踪算法

在实际场景中随着红外探测距离的缩小,红外弱小目标的尺寸等会动态增长,常用的红外弱小目标检测跟踪算法便无法继续稳定检测与跟踪。为解决上述问题,本文提出了一种自适应红外目标尺寸变化的检测跟踪方法,借助低阈值信噪比实现弱小目标的初筛,并通过自适应尺寸分割避免大目标漏检误检,构建备选目标库,最后配合使用卡尔曼算法模型预测运动轨迹,完成小范围波门检测,实现目标跟踪。与传统DBT（Detection Before Track）跟踪检测算法相比,本文算法可同时兼顾弱小目标和大尺寸目标的检测跟踪,在所选目标尺寸动态增长的场景中,本文算法的检测跟踪率提升了约10%。     

基于时空上下文和随机森林的人眼跟踪定位算法研究

为了得到人眼跟踪过程中更好的鲁棒性和实时性以及跟踪精度,提出一种基于自适应增强分类算法(AdaBoost)、随机森林(RF)和时空上下文(STC)的重定位跟踪算法。该算法结构分为3层,分别为AdaBoost人脸检测、STC人脸跟踪和RF人眼定位。首先,利用AdaBoost在第一帧识别出人脸,从而提取出人脸窗口。接着,使用时空上下文跟踪算法进行人脸跟踪。然后,联合定向梯度直方图(HOG)算法进行相似度判断,以达到目标丢失后继续跟踪的目的。最后,采用随机森林算法进行人眼定位。实验结果表明,与传统的随机森林人眼跟踪算法相比,该算法在跟踪速度达到原方法的2倍左右,并在跟踪精度和鲁棒性上和原算法相同。基本满足在裸眼3D显示时人脸跟踪和人眼定位的精度高、实时性快、鲁棒性好的要求。