论文部分内容阅读
异常行为检测是提高视频监控智能化程度的一个主要途径,是计算机视觉领域一个重要且富有挑战的研究型课题。对异常行为检测方法的研究具有重要的应用前景及学术价值,对国防安全、公共安全,家庭看护都具有非常重要的意义。随着图像处理技术和模式识别技术近年来的进步,异常行为检测技术取得了长足的发展,但是目前依然存在着行为特征描述复杂,检测率不高,异常行为难以定义的问题,针对上述问题本文展开了基于条件随机场模型的异常行为检测方法的研究,主要研究内容和创新性工作总结如下:1)针对当前对行为序列提取的特征难以精确描述人体动作的问题,考虑到3D骨架具有数据量少且保留了关键信息的优点,本文提出一种基于3D骨架和人体坐标系的特征提取方法。该方法首先将人体分成五个部分,然后基于人体躯干建立人体坐标系,用坐标系的运动描述人的全局运动,用坐标系内各人体关节点的运动描述人的局部运动。在这个过程中提取了多种特征,完成了对人体运动精细化的描述。本文使用姿态变换参数描述当前姿态,通过合理的定义人体标准姿态,降低了特征的维数。2)分析了时域上下文信息在行为识别中的重要性,针对HMM严格的条件独立假设及在对行为上下文信息建模上的不足,提出了一种基于CRF模型的行为识别方法,给出了用于行为建模的CRF模型结构、势函数定义以及行为建模方法,最后对HMM及CRF模型进行性能评估,实验结果表明该方法相比HMM模型可以更好的对时域上下文信息建模,能够较准确的进行行为识别。3)为了融合目标的多种特征进行行为识别,本文提出一种基于MCRF模型的行为识别方法。该方法首先提取目标的多种特征,使用CRF模型对每种特征建模,形成多个CRF模型,然后将所有的CRF模型组合起来得到最终的MCRF模型,通过训练获取模型的参数,并对不同的特征赋予不同的权重,最后对行为进行识别。实验结果表明该方法取得了较高的识别率。4)分析了人体行为中各个部位之间的空域上下文信息,提出了一种星形结构的条件随机场模型(Star-CRF),该模型是CRF模型在模型结构和势函数上的扩展,可以同时对时域上下文信息和空域上下文信息进行建模。本文使用Star-CRF对人体结构的躯干和四肢五个部分联合建模,并在双位置势函数中引入了特征,加强联系上下文信息的能力,最后使用身体五个部分的联合推断结果作为行为识别的依据。实验结果表明该方法识别率较高,并且可以抵抗一部分自遮挡带来的影响。5)针对异常行为单纯从肢体动作难以检测的问题,提出一种基于肢体与表情的异常行为检测思路。本文在该思路‘下提出了3种检测方法,包括联合标记法、特征融合法和二次分类法。