| 【中文题名】 | 基于目标运动特征学习的行为分析 |
| 【英文题名】 | The Activity Analysis Based on the Learning of Motion Feature |
| 【学科专业】 | 计算机科学与技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-5-23 |
| 【中关键词】 | 视频监控,行为分析,目标检测,目标跟踪,, |
| 【英关键词】 | video surveillance,activity analysis,motion detection,motion tracking, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>自动化基础理论>人工智能理论>> |
| 【论文摘要】 | 行为分析是视频理解的重要研究内容之一，它通过分析处理监控场景的图像、视频，获取监控场景的信息或场景中运动目标的信息，并对这些信息进行行为分析和高层次的语义描述，在智能监控、人机交互、运动分析和虚拟现实等方面有着广泛的应用前景和潜在的经济价值。
本文研究单个运动目标的行为分析问题，给出了解决运动目标行为分析问题的基本流程，对运动目标的特征提取、行为表示和行为分析等方面进行了研究，主要内容如下：
1．分析总结已有的行为分析方法，给出了运动目标行为分析的基本流程，即首先通过运动目标检测、跟踪提取目标的图像、运动信息；然后依据某种规则尽可能完整地表示运动目标的行为；最后使用某种分析器分析判断运动目标的行为。
2．在运动目标的特征提取方面，总结已有的工作成果。针对静止背景下运动目标的检测提取，对典型的帧差法和背景差法进行了比较；针对运动目标的跟踪的问题，研究了扩展Kalman滤波器跟踪算法和Mean Shift跟踪算法，并结合这两种算法的优势给出了一种二者结合的跟踪算法，从而提高了跟踪算法的稳健性，
3．在基于自组织映射网络的行为分析方面，研究讨论了现有的基于自组... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-6 |
|
目录 |
6-8 |
|
第一章 绪论 |
8-14 |
|
1.1 选题背景和意义 |
8-9 |
|
1.2 运动目标行为分析的研究概况及存在的问题 |
9-12 |
|
1.3 论文主要研究内容和安排 |
12-14 |
|
第二章 运动目标检测、跟踪 |
14-30 |
|
2.1 运动目标检测 |
14-20 |
|
2.1.1 瞬时差分法 |
14-16 |
|
2.1.2 自适应背景相减法 |
16-20 |
|
2.2 运动目标跟踪 |
20-28 |
|
2.2.1 Mean Shift跟踪算法 |
20-24 |
|
2.2.2 扩展 Kalman 滤波器跟踪算法 |
24-26 |
|
2.2.3 扩展Kalman与Mean Shift算法结合的目标跟踪 |
26-28 |
|
2.2.3.1 改进Mean Shift跟踪算法 |
26-27 |
|
2.2.3.2 扩展Kalman滤波预测和更新 |
27-28 |
|
2.2.3.3 遮掩处理 |
28 |
|
2.3 实验结果 |
28 |
|
2.4 总结 |
28-30 |
|
第三章 基于自组织映射网络的行为分析 |
30-44 |
|
3.1 引言 |
30-32 |
|
3.2 自组织映射神经网络 |
32-34 |
|
3.2.1 网络结构 |
33 |
|
3.2.2 自组织映射学习算法 |
33-34 |
|
3.3 基于自组织映射神经网络的行为分析方法 |
34-43 |
|
3.3.1 学习轨迹模式的行为分析 |
36-38 |
|
3.3.2 学习流向量模式的行为分析 |
38-41 |
|
3.3.3 实验结果与分析 |
41-43 |
|
3.4 小结 |
43-44 |
|
第四章 基于贝叶斯网络的异常行为检测 |
44-58 |
|
4.1 贝叶斯网络 |
44-46 |
|
4.2 基于贝叶斯网络的行为分析 |
46-56 |
|
4.2.1 运动行为的表示 |
47 |
|
4.2.2 定义行为模型 |
47-49 |
|
4.2.3 运动目标行为的监视 |
49-51 |
|
4.2.4 行为模型集合的修正 |
51-53 |
|
4.2.5 实验与分析 |
53-56 |
|
4.3 小结 |
56-58 |
|
第五章 总结与展望 |
58-60 |
|
5.1 本文工作总结 |
58-59 |
|
5.2 本文存在的不足及今后的研究方向 |
59-60 |
|
参考文献 |
60-64 |
|
硕士期间参加的科研项目及发表的论文 |
64-65 |
|
1 科研工作 |
64 |
|
2 发表论文 |
64-65 |
|
致谢 |
65-66 |
|
| 【DOI】 | LunWen.ID:2.2008.388501 |
