基于Hu矩和纹理特征结合的人体异常行为识别

为了提高人体异常行为识别的准确率,采用了一种将多特征结合的异常行为识别算法,主要包括对步行、快跑、慢跑、拳击、双手挥舞、鼓掌六种异常行为进行识别。首先从视频流中提取出人体轮廓,然后从所得的轮廓中提取Hu矩特征与纹理特征。最后通过模板匹配的方法,采用马氏距离度量所需识别的当前行为特征向量与标准模板行为的特征向量之间的相似性,并通过设置相应的阈值判定该行为所属类别。实验证明,该方法比提取单一特征的方法识别率高,且具有一定的实用价值。     

基于星形距离和LDCRF模型的在线行为识别方法

提出一种基于星形距离轮廓特征和LDCRF模型的在线行为识别方法。对视频中已分割出的人物姿态提取轮廓,求取人体轮廓质心及其到轮廓采样点的星形距离向量,以该向量参数化人体运动姿态特征,对原始姿态特征向量进行小波变换,降维的同时获得姿态的多分辨细节信息。利用潜动态条件随机场模型（latent‐dynamic conditional random , LDCRF）对人体行为特征建模,进行在线识别。比对CRF、HCRF、LDCRF模型对10种不同行为的识别结果,对比结果表明,相比CRF和HCRF ,该模型对连续行为序列有较强的识别能力,具有更好的稳定性。     

基于聚类RBF神经网络的人体行为识别

提出基于聚类RBF神经网络的人体行为识别方法。通过基于单模态高斯背景模型的背景差分法提取动作轮廓;采用基于中心距的傅里叶描述子,对图像轮廓线进行处理,降低了特征的维数;利用谱聚类算法提取行为序列的关键特征向量,采用改进的基于聚类的RBF神经网络进行行为识别。仿真实验表明,该方法能有效识别人体行为类别,应用效果满足实际要求。     

老年人异常行走步态特征提取

计算机视觉的步态分析主要用于实现人体的身份识别,而通过异常步态分析来识别老年人异常状况方面的研究却很少.为对老人异常步态进行识别,提出了一种新的步态特征提取的方法,主要用于老年人异常行走步态特征的提取.使用运动历史图像进行图像序列的表示,并且从中提取出Zernike矩特征用来反应步态的特征向量.同时为了保证获取的特征量的充分性与有效性,更完备地描述人体行为序列,利用信息论中的互信息来确定分类时采用的Zernike矩的最高阶次,并进行仿真.实验结果表明,利用提出的方法进行特征提取,在老年人异常行走步态特征提取中取得了很好的效果.     

基于小波变换和支持向量机的步态识别算法

为了快速准确地进行人体运动步态识别,基于运动人体的轮廓宽度特征,提出了一种新的步态识别算法。该算法首先对每个序列进行运动轮廓抽取,同时从3个方向(水平、垂直、斜向)对时变的2维轮廓进行投影扫描,并分别转换为对应的特征向量;然后通过对级联的特征向量进行离散正交小波变换来提取低维步态特征,并抑制噪声;在此基础上采用支持向量机训练步态分类器组,最后用支持向量机组进行步态识别。在一组30人构成的步态数据库中进行的实验结果表明,该算法具备快速、稳健的特征,识别率达到91%,初步具备了实际应用的价值。     

近似周期运动的人体异常行为识别

从人体行为动作的近似运动周期出发,对人体异常行为识别进行了研究。首先采用混合高斯模型的背景差分法提取出人体运动目标,然后对人体形状的变化进行分析来获取该人体运动的近似周期,将人的行为序列分解为一系列的近似运动周期单元,并提取某一近似运动周期单元的R变换特征,最后通过动态时间规整法来决定不同人体运动的类别归属。实验证明,该算法可以有效地检测人体异常行为。     

人体运动的检测和识别研究

本文针对人体运动视觉分析中的行为理解和分析等高层视觉问题进行分析,研究了一种静止摄像机条件下的行为理解和分析的算法,它以运动序列中的关键帧为基础,针对关键帧提取人体的骨架信息,然后通过Hu不变矩来提取特征,最后组成特征向量,通过对HMM模型的训练来识别特定运动序列的语义.     

小波系数特征的目标识别方法

提出一种基于小波系数特征的目标识别方法.通过对图像的小波变换系数进行有选择的保留和抛弃,并对保留的系数进行非线性的处理来突出目标的主要轮廓信息,归一化处理后提取出目标的特征向量;将该特征向量应用于支持向量机进行分类识别.实验证明该方法有效的改进了目标识别效果.     

基于轮廓图像空频域特征的人体姿态分层识别算法

人体姿态识别是当前自动视频理解技术的研究热点,其难点在于在实际应用中很难同时保障准确度、鲁棒性和实时性.当前基于二维图像的主流算法中,一类为基于高层人体结构的信息,其准确度高,但实时性较差;另一类为基于低层图像信息,算法简单,但其准确度较低.针对该问题,文中提出一种人体姿态建模和识别算法.该算法首先采用高斯混合模型快速提取运动目标和归一化轮廓图像,然后利用人体轮廓参数构建一组12维特征向量,建立人体姿态模型,最后通过分层识别方法实现对人体姿态的认知.该算法可以有效地识别人体姿态,计算复杂度较低,对存在干扰的图像具有较好的识别效果.基于标准视频库的实验结果验证了方法的有效性,与链码标记算法的对比实验验证了方法的优越性.     

一种有效的行为识别视频特征

提出了一种行为识别的视频特征。观察人运动的2D视频,不同的运动行为在一定程度上表现为人体内外轮廓不同部位的伸缩变化。以每一帧人运动前景的内、外轮廓凸凹形状来表征当前帧的姿态,以姿态的变化来表征运动。采集姿态变化序列频率与时间平均方差构成的特征向量,利用多种分类方法对采集数据进行交叉检验、特征选择分析和线性判别分析。实验表明特征向量线性可分性好,对人是否背负物品不敏感,包含了恰当的行为区分信息,行为识别精度较高。