论文部分内容阅读
近年来,随着视频监控技术的发展,有越来越多的摄像头被部署在安防领域,随之也产生了大量的监控视频。现有的视频监控系统只能记录视频,或提供有限的智能监控能力,如人流监测、越界报警、违法行为抓拍等。在案件发生后对特定目标的识别和追踪,则主要依靠大量的警力人工筛选。在视频监控系统中对特定目标进行追踪是很有意义的一项工作。由于视频监控系统的特殊性,网络化视频监控系统中追踪问题的实质是目标重识别问题。现有的目标重识别算法多是提取静态图像特征,这些特征往往不够稳定,且容易进行伪装。考虑到行人目标的动作如步态往往含有丰富的信息,本文提出用基于动作的特征来对行人进行识别。本文的主要工作和贡献归纳如下:(1)结合视频监控系统的结构和任务背景建立行人重识别的算法框架,在此基础上进行算法研究。针对监控视频的特点,用改进的混合高斯背景模型对视频监控摄像机的背景进行建模,并提取前景目标。对前景目标进行滤波和形态学处理得到完好的前景区域,使其满足后续特征提取算法的要求,并在此基础上进行步态周期的判定。(2)提出一种基于步态光流能量图的步态特征提取算法。首先,用基于区域分割和参数运动模型的光流算法计算每时刻人体区域的密集光流信息。之后综合一个步态周期内各时刻的光流图生成步态光流能量图作为原始步态特征。然后用主成分分析和线性判别分析的特征降维方法对原始步态特征进行降维得到具有良好可分性的步态特征。针对步态特征在不同视角间的识别率存在下降明显的情况,用基于截断奇异值分解的方法对不同视角下的特征进行特征变换,从而提高不同视角下步态特征的识别率。在公开测试集上的实验结果说明,该套方法能够取得良好的识别效率。(3)提出一种基于关节点信息的步态特征提取算法。首先提出一种基于人体比例先验知识的二维图像人体关节点提取算法。然后基于关节点信息随时间变化的模式提取步态特征。由于关节点所反映的步态特征是随时间变化的,且对行人步态周期采样的不恒定会引起步态特征在时间维度上的对齐问题。针对这个问题,本文用基于动态时间规整的方法对步态特征进行识别。并与时域特征、频域特征以及基于隐马尔可夫模型的步态识别算法进行比较,说明了该算法的优越性。针对时域特征识别率较低的问题,用基于大间隔最近邻的度量学习方法得到最优的距离度量,使步态识别率得到进一步提高。