一、课题介绍
本文设计了一款人体行为异常监控系统，主要适用人群是老年人，在摄像头固定的情况下，自动检测人体运动轨迹，并与提前设定好的行为库进行匹配，分析判断是否具有异常行为。
在数字图像预处理部分采用了图像二值化，腐蚀与膨胀等几种方法为人体目标的跟踪和检测做准备。为了克服在实际操作中遇到的问题，采用了帧差法和ViBe算法，帧差法即利用帧间变化与当前帧、背景算法来判断它是否大于阈值，并分析视频中序列的运动特性，ViBe算法则是一种背景建模的方法，背景模型是由邻域像素来创建，并对比背景模型、当前输入像素值检测出前景，确定视频中的目标跟踪。在人体行为识别中，运动目标最小长宽比以及连续帧间的加速度来判断人体行为是否异常，如果检测到异常的行为比如说摔倒、快跑等行为，在识别的过程这种实时监测。
2021-11-07 11:48:18
8.83MB
1
针对人体行为识别问题，提出一种基于径向基函数（BP）神经网络的人体行为分类算法。首先，利用奇异值分解（SVD）算法提取视频每一帧的奇异值，将每一帧的奇异值按照行拼接起来即为一个视频的样本，样本按照行排成样本矩阵；然后，利用主成分分析（PCA）对得到的矩阵进行去相关并且降低维数，降低维数的矩阵再进行线性鉴别分析（LDA），使样本变得线性可分；最后，利用BP神经网络对样本进行分类；实验结果表明，与采用最近邻分类和K近邻分类（kNN）相比，所提算法具有更高的识别率。
2021-11-03 11:21:20
765KB
1
为了准确地描述人体骨骼的运动细节以及3D骨骼间的几何关系, 提出一种基于四元数3D骨骼表示的人体行为识别方法。首先, 在已捕获的关键帧集合的基础上, 对普通关键帧和变速关键帧分别采用线性插值和二次多项式插值, 获得相同帧数的骨骼序列；然后, 针对所得的骨骼序列, 采用四元数对每帧中3D骨骼间的几何关系进行描述,获得四元数骨骼特征描述子；最后, 采用支持向量机分类器对这一系列特征描述子进行训练和测试, 得到最终的识别结果。在3个标准数据库上的实验结果均显示, 四元数骨骼特征描述子对噪声、运动速度变化、视角变化和时域不对齐都具有很好的稳健性, 可以显著提高人体行为识别的准确率。
2021-10-19 21:01:24
6.21MB
1
人体行为识别与理解逐渐成为如图像分析、人机交互、视频检索以及智能监控等领域的基础保障，其广泛的应用前景以及潜在的社会、经济价值，已使其成为计算机视觉分析领域中备受关注的前沿方向。在各种人体行为识别方法中，基本特征都具有不可替代的作用，基于目前已有的研究成果，对基本特征进行改进，并选择合适的分类器进行分类识别。
2021-10-07 15:58:33
2.95MB
1
该课题为基于MATLAB差影法的人体姿态识别。带有一个GUI可视化界面。需要准备对应的模板图片作为背景图，然后测试图和背景图进行作差，结合形态学知识，提取出人体轮廓，接上最外接矩形，得出矩形长宽，计算长宽比例，从而判断人体姿态。优点是通俗易懂，缺点是局限性大，因为对背景图片要求比较高。另外可改造成不需要模板图片的纯形态学或者利用帧差法识别的基于视频的人体行为检测。
2021-09-28 18:03:52
9.21MB
针对长短时记忆网络(LSTM)不能有效地提取动作前后之间相互关联的信息导致行为识别率偏低的问题,提出了一种基于Bi-LSTM-Attention模型的人体行为识别算法。该算法首先从每个视频中提取20帧图像,通过Inceptionv3模型提取图像中的深层特征,然后构建向前和向后的Bi-LSTM神经网络学习特征向量中的时序信息,接着利用注意力机制自适应地感知对识别结果有较大影响的网络权重,使模型能够根据行为的前后关系实现更精确的识别,最后通过一层全连接层连接Softmax分类器并对视频进行分类。通过Action Youtobe和KTH人体行为数据集与现有的方法进行比较,实验结果表明,本文算法有效地提高了行为识别率。
2021-09-24 02:23:54
4.73MB
1