基于自适应背景模型的人体运动检测
基于背景和帧间差分法的运动目标提取
《2024年基于人体运动状态识别的可穿戴健康监测系统研究》范文
《基于人体运动状态识别的可穿戴健康监测系统研究》篇一一、引言随着科技的发展和人们健康意识的提高，可穿戴健康监测系统逐渐成为研究热点。
基于人体运动状态识别的可穿戴健康监测系统，能够实时监测和评估个体的健康状况，为预防疾病、改善生活习惯提供有力支持。
本文旨在研究基于人体运动状态识别的可穿戴健康监测系统，探讨其技术原理、应用现状及未来发展趋势。
二、技术原理基于人体运动状态识别的可穿戴健康监测系统主要依赖于传感器技术、数据分析和人工智能算法。
系统通过安装在衣物或身体上的传感器，实时采集人体的运动数据，如步数、心率、血压、呼吸等。
然后，通过数据分析技术，将原始数据转化为有意义的健康信息。
最后，利用人工智能算法，对人体运动状态进行识别和评估，为个体提供健康建议。
三、应用现状目前，基于人体运动状态识别的可穿戴健康监测系统在医疗、体育、康复等领域得到广泛应用。
在医疗领域，该系统可用于慢性病管理、早期疾病预警等；在体育领域，该系统可用于运动员训练监测、运动损伤预防等；在康复领域，该系统可用于评估康复进度、提高康复效果等。
此外，该系统还具有便携性、实时性、无创性等优点，受到广大用户的青睐。
四、关键技术研究（一）传感器技术：传感器是可穿戴健康监测系统的核心部件，其性能直接影响系统的准确性。
目前，研究人员正在努力提高传感器的灵敏度、稳定性和可靠性，以满足不同应用场景的需求。
（二）数据分析技术：数据分析是将原始数据转化为有意义健康信息的关键。
研究人员正在探索更先进的数据分析技术，如深度学习、机器学习等，以提高数据的处理速度和准确性。
（三）人工智能算法：人工智能算法是识别和评估人体运动状态的基础。
研究人员正在不断优化算法，提高系统的识别准确率和反应速度。
五、未来发展趋势（一）更加个性化：随着人们对健康的个性化需求日益增长，未来的可穿戴健康监测系统将更加注重个性化定制，以满足不同人群的需求。
（二）更加智能化：随着人工智能技术的不断发展，未来的可穿戴健康监测系统将具备更强的学习能力和自适应能力，能够更好地识别和评估人体运动状态。
人体动作识别与预测算法研究
人体动作识别与预测算法研究随着现代科技的不断发展，人类对人体运动的理解和分析能力也在逐渐加强。
人体动作识别与预测技术依靠机器学习、图像处理等多种技术手段，利用计算机对人体动作进行自动识别和分析，为运动员的训练、康复治疗及人机交互提供非常有用的帮助。
一、人体动作识别技术人体动作识别技术可以通过人体姿态估计、视觉信号分析等手段进行。
一般来讲，人体姿态估计分为两步：首先利用计算机处理输入的视频图像，提取出图像中几何概貌的特征值；然后，利用机器学习技术，根据特定的训练集，将特征值映射为一个特定的动作类别。
视觉信号分析则是实现困难，因为它需要对人体进行逐帧分析，依靠图像处理技术来分析并判断出人体实际的动作。
为了实现更高的准确度，人体动作识别技术通常需要结合多种传感器和不同的算法。
其中最常用的传感器是高速相机、深度相机、陀螺仪等，用以采集关于人体动作的各种数据信息，如运动时的位移、速度、加速度、角速度等。
除此之外，人体动作识别技术通常使用的算法有：支持向量机、隐马尔科夫模型、决策树、卷积神经网络等，这些算法都是目前比较成熟的人体动作识别算法。
二、人体动作预测技术人体动作识别技术可以很好地分析和识别出人体的运动状态，但是它并不能预测出人体接下来的动作。
而人体动作预测技术的任务就是尽可能地预测人体接下来的一系列动作。
常见的预测方法有基于统计学的方法和基于机器学习的方法。
基于统计学的方法通常是基于几何模型或者人体神经系统的知识来预测人体下一步的运动，这种方法其实并没有明确的预测方法，而是利用人体动作的统计规律来得到动作的可能性。
相比之下，基于机器学习的方法是一种基于几千甚至上万个相似样本的学习方法。
该方法根据人体运动的历史记录和特征提取技术，通过数据训练和学习，能够针对不同的用户、不同的运动方式和环境，进行精准的动作预测和自适应优化。
三、应用前景从实际应用角度上来看，人体动作识别和预测技术在众多领域都有广泛的应用，如体育训练、康复治疗、智能交互等。
运动人体的检测跟踪方法的研究与实现
关 键 词 视频监控 运 动 检 测 运 动跟 踪 背 景 自适 应 Ｋ ｉ ｎ滤 波 ａ ｍａ
ｏＮ ＤＥＴＥＣＴＩ ＮＧ ＡＮＤ ＴＲＡＣＫＩ ＮＧ ＥＴＨ ＯＤ ｏＶＩ Ｍ ＯＦ Ｍ ＮＧ ＢｏＤＩ ＥＳ
ＡＮＤ ＴＳ ＲＥＡＵ ＺＡＴＩ Ｉ ｏＮ
人体形状 的跟 踪等 。文献 ［ ］ 二者加 以结 合 ， ３将 很好地 解决 了 多个 同向运动人体 的分 离与远处较小人体影像的跟踪 。
本文将从实验室 的环境 出发 ， 模拟外部世界 固定场景 ， 来对
机 、 以及 图像处理 、 等技术 的飞速发展 ， 网络 通信 视频监 控系统
技术也得到了相应的发展 。
差法、 背景减法。 光 流法 的优点是 能够 检测 独立 运 动的对象 ， 不需 要预先 知
１ 研 究环境 与方法
本文是在 自然光照 环境下进 行 的 ， 主要 针对 固定场景 中运
动人体 的检测与跟踪进行 系统 的研究 与实现。 系统 的硬件设 备 主要 由 Ｐ Ｃ与单 目摄 像头组 成 。其 中 ，Ｃ Ｐ
Ｔａ ｎ Ｘｉｏ Ｎａ ｆｎ ｎ Ｘｉ ａ ｎｅ ｇ （ ｃｏｌｆＣ ｍ ｕｅ Ｓｉｖ ｎ ｎ ｉ ｅｎ ，ｏｔ ｈｎ ｎ ｅｓｙｏ Ｔｃｎ ｌ ｙ Ｇ ｎ ｚｏ １ ０ ６ Ｇ ａ ｇ ｏｇ，ｈｎ ） Ｓｈｏ ｏ ｐ ｔ ｃ ｒｅａｄＥ ｇｎ ｒ ｇ ＳｕｈＣ ｉａＵ ｉ ｒｔ ｆ ｅ ｏｏ ， ｎ ｇｈｕ５ ０ ０ ， ｕ ｎｄ ｎ Ｃ ｉａ ｏ ｒ ｅｃ ｅｉ ｖ ｉ ｈ ｇ ａ
ｖｓ ｎａ ａ． ｈｓａｔｌ ｂｇ ｓｗｔ ｏ ａｋｒｕｄ ｕ ｄｔ ｇａｄｍｏｉ ｂｅｔｒｃ ｉ ｎ ｘａ ａ ｓａ ｌｏ ｔｍ ｗ ｉ ｐ ａ ｓｔ ｉｏ ｒ ｓＴ ｉ ｒｃｅ ｅｉ ｉ ｂｔ ｂ ｃｇｏｎ ｐ ａ ｎ ｎ ｖ ｇｏｊｃ ｔ ｋｎ ａｄ ｅｐｔ ｔ ｎ ａ ｒｈ ｈｃ ｕ ｄｔ ｈ ｉ ｅ ｉ ｎ ｈ ｈ ｉ ｎ ａ ｇ ｉｅ ｇｉ ｈ ｅ ｅ
视频序列中运动人体的实时检测与提取
摘要 ：文章基于 多高斯背景更新模型 ，提 出了一种基 于背
景 减除 的时间差 分运动 目标检 测方 法 ，提 高 了运 动 目标提 取 的精确性 。 同时 ，用一 种 自适应 阈值 模 型进 行前 景提取 。提
三 、运动 目标的检 测与提 取
（ ）基于背景减除的时间差分法 一
本文提 出了一种采用 了背景减除法和时 间差分法加权平均
界提取 ，然后使用种子填充算法来 实现 对运 动 目 区域 的填充 标
得到一个完整封闭的区域。
（ ） 自适 应 阈值 二
在不存在噪声 的理想情况下 ，差分 图像 中不为零 的区域表 示运动区域 ，然后鱿鱼外界 噪声的存在 ，差分图像不可能为令 。
二 、高斯 背景 更新模 型
在本文算法 中使用一种基于高斯统计模型１ ２ １ 的背景图像估计 需要设定阈值Ｔ 以消除噪声 的影响。阈值 的选取直接决定着检测 算法 ，其 中背景 图像 的估计 由初始 化和更新 两部分组成 。在背 结果 的好坏 ，只有恰 当的阈值才 能正确 的分 割出运 动 目标所 占 景图像 的初始化算法 中，求取一段较长的时问段（ ） Ｍ 视频序列 图 的区域 。这里我们使用一 种基于高 斯模型 的 自适应 阈值方法 。 像 中每一像素 的平均亮度 ，并 计算 在该 段时间内的每一像素亮 此方法是一种基 于直方 图物体分割 的方法 ，我们假设 差分得 到 度的方差作 为初始 的背景借 汁图像 ，￣Ｂ ＝／ ，－ １ Ｐ ｏ ［ ｏ０ ，式中 ｔ ２ 的灰度 图像 直方 图是 由三个 附加高斯 噪声相 加而得到。差 分值
‘
Ｉ Ｍ－ ￣ Ｉ ｓＬ
（ 缶肥 ）
（ ＝ ∑［（ 一 ０ ，】 ） ， ）／（ ， ２ ）
基于ippg技术的生理参数检测综述
0引言对心率、心率变异性、呼吸率、血氧饱和度等生理参数的检测在现代医学体系中扮演着重要角色。
除了传统的健康评估、疾病诊断等医疗场景，生理参数检测也在运动效能评估、疲劳监测、心理评价等研究领域发挥着重要作用。
生理参数检测通常通过电极或传感器直接接触人体进行实现，比如将Ag/AgCl 电极粘贴在患者胸口，捕捉心脏生物电信号；将感光元器件紧贴在患者皮肤表面，获得目标人体的血氧饱和度等。
这种接触式检测方法具有很高的准确性和稳定性，是现阶段临床领域检测生理参数的主要方式。
随着社会和科技的进步，生理参数检测的应用场景日趋丰富，也逐渐暴露出接触式检测方法的局限性：首先，某些检测对象不适合接触传感器，如具有开放性伤口（大面积烧伤或溃疡等）的患者、婴幼儿等；其次，一些应用环境不方便传感器触及人体，比如灾害或战场应急救援中搜寻幸存者；最后，接触式检测方法长时间使用，容易引起受试者不适。
因此，非接触式检测方法受到很多研究者的关注。
非接触式检测方法是指检测设备与目标间隔一定距离，在对目标无约束情况下，通过外来能量媒介或感应目标生物信息获得生理信号[1]。
该方法可为目标提供轻松舒适的检测环境，能够弥补接触式检测方法在某些场合的应用短板。
非接触式检测方法中常用超声波、电磁波、光波作为媒介。
超声波的应用主要基于多普勒原理。
邢旭东等[2]研制了一种高精度呼吸监测装置，用于CT放疗定位时对患者呼吸状态的监测，提高CT检查的成功率。
韩国延世大学Min等[3]使用240kHz超声波实现了人体呼吸率的远距离测量，并对比热电偶方法证明了测量结果的准确性。
生物雷达是利用电磁波基于IPPG技术的生理参数检测综述张煜，刘保真*，单聪淼，牟锴钰（中国航天员科研训练中心，北京100094）[摘要]介绍了成像式光电容积描记（imaging photoplethysmography，IPPG）技术的研究背景和生物学基础，从视频处理、容积波信号提取、生理参数计算3个方面分析了基于IPPG技术检测生理参数的技术流程和研究现状。
基于HOG+SVM实现行人检测
2021.06科学技术创新基于H O G+SV M 实现行人检测任小康陈鸿享(西京学院,陕西西安710123)1概述方向梯度直方图(H i s t ogr am of O r i ent ed G r adi ent ,H O G )是用于计算机视觉识别和处理过程中对物体形状、轮廓进行检测的特征描述子。
通过计算并统计数字图像中被识别物体边缘的梯度方向直方图来构成特征描述子。
2005年在I EEE 国际计算机视觉与模式识别会议(I EEE Conf er ence on Com put er V i s i on and Pat t er n R ecogni t i on ,CV PR )[1]上,来自法国的研究人员N avneet D al al 和Bi l l Tr i ggs 提出利用H O G 对图像边缘特征进行提取,并利用支持向量机(Suppor t V ect or M achi ne ,SV M )作为二分类器训练此模型,该模型经过大量对测试样本测试后发现,H O G 与SV M 相结合的方法是速度和效果综合平衡性能较好的一种行人检测(Pedes t r i an D et ect i on)方法。
H O G +SV M 模型广泛应用于计算机视觉,尤其在行人检测领域获得了极大的成功。
行人检测技术可与行人跟踪、行人重识别等技术结合,应用于人工智能系统、车辆辅助驾驶系统、智能机器人、智能视频监控、人体行为分析、智能交通等领域,是当前的热门研究方向之一。
2H O G (梯度方向直方图)原理一幅数字图像,其梯度主要在与被检测图像的轮廓处,即目标区域的边缘部分可以很好地用方向密度分布进行描述。
2.1H O G 实现方法通过提取关键信息并丢弃冗余信息来简化图像,通常对于H O G 特征描述子,输入图像的大小为64×128×3,输出特征向量的长度为3780。
为了解决光照变化和阴影对结果的影响,将这些在细胞单元中获取到的局部直方图在图像的更大的范围,即区间(bl ock )进行对比度归一化[2](Cont r as t nor m al i z at i on )。
35204217
基于视觉 的运动人体行为分析技术研究
（ 中国人 民公安大学 ２ ０ ０ ８级安全 防范工程 系， 北京 １ ２ ２ ） ０ ６ ３
摘 要： 近年来， 运动人体行为分析 吸引了越 来越 多的计算机视 觉研 究人员的注意。它是计算机视觉 中最具吸 引力的研究领域之一 ， 其研究核 心是从视频序 列 中 测、 检 跟踪 、 识别运动人 体并对运动人体的行 为进行理解和描 述。 该研 究方 向在智能安全监控 、 人机接 口、 频会议等方 面具有广 视 泛的应用前景和 巨大的潜在经济价值。 关键词 ： 觉分析 ； 视 运动检测 ； 运动人体跟踪 ； 行为理解与描述
运动人体跟踪就是确定运动人体在每一帧 当前 的很多研究大都 是针对简单标准 的动 近年来 ，随着计算机视觉和图像处理技术 中的位置 ， 从而得到运动人体的时序运 动轨迹 。 作、 简单 的行为 、 事件和背景 ， 因此 ， 提高算法的 我们可 以把运 动跟踪过程分 为三个阶段 ： 有效性 和鲁棒性才能真正地将运动人体分析技 的发展 ， 由于其广泛的应用前景 ， 运动人体行为 分析吸引了广泛 的关注。运动人体行为分析是 初始化 、 特征提取和跟踪口 第一个阶段 ， １ 。 初始化 术应用 于复杂的现实环境 。 个 跨学科 的研究课题 ，主要研究 内容涉及计 是确定人在图像中的位置 ，对于基 于模型 的方 （） ３ 运动特征的选择 与表达 如何选择合适 的特征充分表达人体 运动是 算机视觉 、 图像处理、 模式识别 、 人工智能、 计算 法 ，这个过程还包括出示的模型初始 的模型参 机 图形学等多学科领域ｍ ｏ 数估计以及采用什么方法来 表示人体模型两个 行为分析的关键问题 ，而视点不变性对 于行 为 １研究流程 问题。 在第二个 阶段 ， 特征提取是从图像上提取 的表达异常重要。 感兴趣的特征 。 进行运动人体跟踪 时， 最常见的 研究热点 ： １ 运动检测 ． １ 运动检测的 目的是在视频序列 中将运动的 特征就是外轮廓 、 边界、 灰度 、 颜色等特征。 第三 （） １ 行为分析与生物特征识 别相结合 ； 人体 区域从复杂的背景中提取出来 。目 主要 个阶段是跟踪 ，即在时间序列上反复地确定图 前 （） ２ 自适应 的特征选取方法 ； Ⅱ 借鉴人类学 习、 识别和理解机理 ， 提取有关 用到 的运动检测方法包括背景减除法、时问差 像中人 的位置 ，甚至是在每一时亥 都要估计出 分法 、 光流法。 表示人体模型 的参数 ， 得到一个在时间序列上 行为的主要特 征，当这些特征不 足以完成行为 的人体 运动描述。 的理解和分析 时，系统逐步提取候选 的细节特 （） １背景减除法 背景减除法是运动 目标分割中广泛使用 的 １ ． ４行为理解与描述 征。另一种方法是提取行 为的视点无关 的鲁棒 当然这是很困难的事 。 种方法 ， 特别是 当背景是相对 静止的情况下 。 ＾ 体行为识别 与理解是指对人的行为模 式 的特征， 它是利用当前 帧和背景帧进行差分并 阈值化来 进行分析和识别 ， 并用 自 然语言等加以描述 。 人 （ ）人的运动分析向行为理解与描述高层 ３ 检测出运动物体 ，它能得到运动物体很全面 的 体行为识别可视为时序数据的分类问题 ，即将 处理 的转变 。 特征数据 ， 但却对 由于光线和其他无关事件影 测试序列与预先标注 的代表典型行 为的参考序 借助计算机视觉 ， 模式识别等相关领域的 列进行匹配。 目 的方法主要被分为两大类 ： 成果 ，将现有的简单行为识别和语义描述推广 前 响的动态场景变化非常敏感。 （） ２ 时间差分法 （ ）基于统计模 型的方法 （ ｅ ｏｓｂ ｓ 到更为复杂的场景下 的行为分析与 自然语言描 １ ｍ ｔ ｄ ａｅ ｈ ｄ ｎ ｓ ｉ ｉ ｌ ｄ１ ａ ｓｃ 述。 时间差分方法是在连续的图像序列 中两个 ｏ ｔｔｔ ａ ｍｏｅ） 或三个 相邻 帧问采用基于像素的时间差分并 阈 基于统计模型 的方法是根据～定量 的样本 结束语 运动人体行为分析涉及到人工智 能、模式 值化来提取 图像 中的前景区域 的方法 。 数据学习产生一个统计模型 ， 基于模型进行行 为匹配。 识别 、 计算机视觉等多学科知识 ， 由于其在智 能 （） 流法 ３光 运 感知接 口、 虚拟现 实等多方 面 光流方法采用了运动 目标 随时间变化的光 （ 基于模板 的方法（ｅ ｐａｅ ｂｓｄ ｍ ｔ— 监控 、 动分析、 ２） ｔｍ ｌｔ－ ａｅ ｅ － ｈ ｄ） 都有着广泛的应用前景 ，正吸引着越来越多 的 流特性 。该方法的优点是在摄像机运动存 在的 ｏ ｓ 前提下也能检测出独立的运动 目标 。 然而 ， 大多 基于模板 的方法的基本思想是首先将图像 研究人员的注意。随着计算机视觉等相关知识 数的光流计算方法相当复杂 ， 且抗噪性能差 ， 如 序列转换为一组静态形状模式 ，然后在识别过 的发展 ， 行为分析也将从简单 的行为识别和语 果没有特别 的硬件装置则不能被应用于全 帧视 程中和预先存储的行为标本相 比较 。 义理解上升到更高层次的复杂背景下 的行为分 频流 的实时处理。 人体行为 的语义描述是经过对运动人体的 析和 自然语 言描述 。 连续跟 踪观察 ，对运 动人体 的运动模 式进行分 参 考文 献 １ ． ２目标 分 类 １王亮， 胡卫明 ， 谭铁牛． 人运动 的视觉分析叨． 不同的运动区域可能对应于不同的运动 目 析和识别 ， 判断该行为是否属于异常行 为 ， 利 【】 并 然语言进行描述 。目前人的行 为描述还 只 计算机 学报 ，０ ２ ２ （ ）２ ５ ２７ ２ ｏ ，５ ３ ： — ３ ． ２ 标。 目标分类是运动人体分析的必要过程 ， 它可 用 自 以将其他运动物体 与运动人体区分开 。一般来 局限于简单 的语义解释 ， Ｒ ｍ ｇ ｉ 等 『１． Ｂ ｇｍ ｌｖＧ 如 ｅ ａｎ ｏ 提出 ｎ ２Ｙ ｏｏ ｏｏ ， ． Ｄ ，． Ｌ ｐｈｖ Ｅ ｍｒＳ ａ ｃｅ ， ． ｖｉ ｎ， ｄｓｙａｄ ． ｌ ｉ ，“ ａ ｓｆ ｉ 说， 目标分类的方 法可以分为两种 ： 了一个 基于视频对象行为 的视觉 监控系统 ， 该 Ｒｉｌ Ｍ． Ｒｕ ｚｋ ， ｎ Ｉ Ｔｅ－Ａｖｖ Ｃｌｓｉ － ａ ｉ ｏ ｍｏ ｉ ｇ ａ ｇ ｔ ｂ ｓ ｄ ｉ ｏ ｍｏ ｉ ａ ｄ ｏ 系统提供 了三维场景 中对象动态活动的文字性 ｃ ｔ ｎ ｆ ｖ ｎ ｔｒ ｅ ｓ ａ ｅ Ｏｌ ｔ ｎ ｎ （） １ 基于形状信 息的分类方法 ａｐａａｃ ，【 ．Ｂ ｔ ｐ ｅ ｎｅ ”Ｍ】 ｆ ．Ｍａｈ ｉ．Ｃ ｎ． ０ ３ ｒ ｉ ｔ ．Ｖ ｓ ｏ ｆ ２ ０ ： ， 基于形状信息的分类方法首先描述运动 区 描述 。 ４ ９－３ ． ２ － ８ ４ ２行为分析存在 的问题与研究热 点 域的形状信息 ， 例如点 、 、 框 块等。 它通常被认为 ３陈 基 是一个标准的模式识别 的问题。 尽管运动人体行为分析技术得到了较 大的 ｆ１ 睿 ． 于概 率模 型 的 三 维人 体 运 动 跟 踪 研 发展 。但是由于人体运动的非刚性 以及高 自由 究ｆ １ Ｄ． 北京 ： 中国科学院研 究生院，０ ５ ２０ ． （ ） 于运动特性的分类方法 ２基 基 于运动特性的分类方法利用非刚性的人 度 、 行为 发生的场景和人运动的模糊性 、 遮挡 、 ［］ｅ ａｎｎ Ｐ，ａ Ｔ ｎｄ ａｅ Ｋ．Ａ ｅｔ ４Ｒ ｍ ｇ ｉｏ Ｔ ｎ ａ Ｂ ｋｒ ｇｎ ｒｅ ｔ ｄ ｔ ｎ ｏａｉ ｎ ｏ ｄ ｌ ａｅ ｉｕ ｌ 体运动 的周期 性区分运 动人体 与其 他运动 物 阴影 、 等因素的影响 ， 使得运动人体行为分析仍 ｏ ｉｎａｅ ａ ｎ ｔｔ ｎ ｉ ｍｏ ｅ ｂｓ ｄ ｖｓａ 处于简单的行 为与事件检测的初级 阶段 。行为 ｓｒｅｌ ｎｅ 【 ． Ｅ Ｉｔ ｎ ｔ ｎ Ｃ ｎｅｅｃ ｕｖｉａ ｃ Ｍ】Ｅ Ｅ ｎｅ ａｉ ａ ｏ ｆ ｎ ｅ ｌ Ｉ ｒ ｏｌ ｒ 体。 ｏ Ｃｏ ｕｅ Ｖｉｉｎ， ｍｂ ｙ Ｉｄ ａ １ ９ ８ ７— ｎ ｍｐ ｔｒ ｓｏ Ｂｏ ａ ，ｎ ｉ ， ９ ８： ５ 此外 ， 上述两种方法经常被结合使用 ， 设计 分析的问题和难点主要体现在 ： ８ ２ ６． （） １ 运动分割［ １ 出一个更 为可靠 的、 视角无关 的目标分类方法。 作者简 介 ： 黄永 鑫 （９ ７ ） 男 ， 建漳 州 １８ ～ ， 福 实验结果显示 了混合分类方法对于单独的基于 底层的运动 人体检测是高层 的行为分析 的 运动特性 或者形 状信息 分类方 法的 巨大优 越 基础 ， 但是 由于背景的动态变化 ， 遮挡和阴影等 人 ， 中国人 民公安大学安全 防范工程 系 ２ｏ ｏ ８级 性 。多特征混合正逐渐成为现实场景��
人体行为识别技术
人体行为识别技术在计算机视觉领域中，人体运动行为识别是一个被广泛关注的热点问题，在智能监控、机器人、人机交互、虚拟现实，智能家居，智能安防，运动员辅助训练等方面有巨大应用价值。
行为识别问题一般遵从如下基本过程：数据图像预处理，运动人体检测、运动特征提取、特征训练与分类、行为识别。
着重从这几方面逐一回顾了近年来人体行为识别的发展现状和常有方法。
并对当前该研究方向上待解决的问题和未来趋势做了分析。
行为理解可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的参考序列进行匹配。
通过对大量行为理解研究文献的整理发现：人行为理解研究一般遵从特征提取与运动表征、行为识别、高层行为与场景理解等几个基本过程。
特征提取与运动表征是在对目标检测、分类和跟踪等底层和中层处理的基础上，从目标的运动信息中提取目标图像特征并用来表征目标运动状态；行为识别则是将输入序列中提取的运动特征与参考序列进行匹配，判断当前的动作处于哪种行为模型；高层行为与场景理解是结合行为发生的场景信息和相关领域知识，识别复杂行为，实现对事件和场景的理解。
【2】1、行为识别的应用从应用领域的分类来讲，可以将人体运动分析的应用分成如下几个领域：①智能监控这里所指的“智能”包含两个方面的含义。
一种“智能”是指系统能够在一定的场景中检测是否有人的出现(如通过检测人脸的方法)防止只是简单的通过运动目标检测所造成的错误报警(例如因为动物活动或者刮风摇动树枝等等而造成误报)。
另外一种“智能”是指系统能够监视一定场所中人的活动，并对其行为进行分析和识别，跟踪可疑行为(如经常在重要地点徘徊等等行为)从而采取相应的报警措施。
通常把报警系统设置于银行、机场、车站、码头、超市、办公大楼、住宅小区等地，以实现对这些场所的智能监控。
②虚拟现实跟踪现实世界人的姿态，从而创建一个虚拟的仿真场景，实现人与这个虚拟世界的交互。
该领域的具体应用涉及视频游戏、虚拟摄影棚、计算机动画等方面。
基于FASGPLVM的人体运动生成
征 向量序列 ：
Ｙ＝｛ 一 Ｙ 一， ｝ Ｙ ， ＹⅣ （） １
其 中，ｔ ＝ ，， Ⅳ） （ １ …， 为时间索引， Ｙ 为 ｔ ｔ ２ ， 时刻姿态对应 的特
征 向量 。
３ 自适应比例高斯过程隐变量模型
文 献ｆ］ ２在高斯过 程隐变量模型 中引入比例因子 ，提 出比 例 高 斯 过 程 隐 变 量 模 型 （ｃｌ ａ ｓｉ Ｐｏｅｓ Ｌ ｔｎ Ｓ ａ ｄ Ｇ ｕｓ ｎ ｒｃｓ ａ ｔ ｅ ａ ｅ
第３ ７卷 第 ２ ２期
、０ －７ ，ｌ３
Ｎ Ｏ． ２２
计
算
机
工
程
２１ ０ １年 １ １月
Ｎｏ ｅ ｅ ０ ｖ ｍｂ ｒ ２ １ １
Ｃｏ ｕｔｒＥｎ ｉ ｅ ｉ ｍｐ ｅ ｇ ｎｅ ｒｎｇ
・ 开发研究与设计技术 ・
文 编号 １ ０＿ ２２ｌ２ ＿ ５ ＿ 文 标识 Ａ 章 ： ０ ＿３ ８ｏ ）－ ２５ ０ ｏ＿４ （ １ ２ ０ ＿ ２ 献 码：
摘
要 ：为解决传统逆 向运动学 算法计 算繁琐、效果不逼真 的问题 ，提 出一种快速 白适应 比例 高斯过程 隐变量模型（Ａ Ｇ Ｌ Ｍ） Ｆ Ｓ ＰＶ ，并基于
该模型实现人体运动生成。实验结果表明，Ｆ Ｓ Ｐ Ｖ 模型具有较快的收敛速度和收敛精度，能自适应运动编辑的方向，扩大运动捕获 ＡＧＬＭ
Ａｄ ｐｉ ｅＳ ａｅ ｕ ｓ ｎ Ｐ ｏ ｅ ｓＬ ｔ ｔ ａ ｉ ｌ Ｍｏ ｅ（ ＡＳ Ｌ Ｍ） ｔｅ ｅ ｌ ｅ ｕ ｎｍｏｉｎ ｇ ｎ ｒｔ ｎｂ ｓ ｄｏ ． ｘ ｅｉ ｎａ ｅｕｔ ａ ｔ ｃ ｌ Ｇａ ｓｉ ｒ ｃ ｓ ａｅ ｒ ｂ ｅ ｖ ｄ ａ ｎ Ｖ ａ ｄｌ Ｆ ＧＰ Ｖ ， ｈ ｎｒ ａ ｚ ｓｈ ｍａ ｔ ｅ ｅａｉ ａｅ ｎ ｉ Ｅ ｐ ｒ ｉ ｏ ｏ ｔ ｍｅ ｔｌ ｓ ｌ ｒ ｓ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
北京大学学报(自然科学版),第40卷,第3期,2004年5月Acta Scientiarum NaturaliumUniversitatis Pekinensis,V ol.40,N o.3(May,2004)基于自适应背景模型的全方位视觉人体运动检测1)皮文凯 刘 宏 查红彬(北京大学信息科学技术学院,视觉与听觉信息处理国家重点实验室,北京,100871)摘 要 设计了一种新的全方位视觉系统,用来在室内对多个人体目标进行实时运动检测。
系统中使用全方位摄像机作为图像采集设备,能在一幅图像中获取水平方向360°的环境信息。
在检测开始之前,首先由摄像机对无人环境持续观测一段时间,建立背景的统计模型;在检测开始之后,将每一时刻全方位摄像机采集到的图像变换成柱状全景图像,再利用背景的统计模型,通过自适应的动态背景减除算法得到前景区域,同时在线更新背景模型。
最后进行区域分割,确定人体的位置。
试验结果表明,该系统在复杂背景的室内环境下,有较好的实时性和检测效果。
关键词 运动检测;人体跟踪;全方位摄像机;自适应背景减除中图分类号 TP3911410 引 言用计算机视觉实现人体运动检测在智能监控(smart surveillance),虚拟现实(virtual reality),高级用户接口(advanced user interfaces),运动分析(m otion analysis)和基于模型的编码(m odel2 based image coding)等方面有着广泛的应用[1]。
实现机器视觉的主要途径分单目视觉、双目视觉、多目视觉和全方位视觉。
传统的人体运动视觉分析系统大都采用单目视觉[2],它的不足在于,由于单个摄像机的观察范围有限,人体的部分或全部很容易移出这个范围,这时跟踪就可能失败。
双目、多目视觉系统利用了两个或多个安放在不同位置的摄像机[3,4],以达到视觉信息互补,扩大观察范围。
但是怎样处理在不同的摄像机坐标系下图像特征的配准至今仍是一个难题。
还有一种方法是通过机械控制使一个普通的摄像机在水平方向转动,将各个角度采集到的图像进行拼接,得到一幅全景图像[5]。
这也是早期的全方位摄像机的模型。
但是机械控制是非常耗时的操作,故而这种方式只能采集静态图像,而很难实现一些实时检测的任务。
本文的系统中用到了近年来开发出的一种新型的全方位摄像机[6,7],可以在一幅图像中获取水平方向360°的环境信息。
这种全方位摄像机主要由一个CC D摄像机和正对着摄像头的一个双曲面反光镜组成,如图1所示。
反光镜将水平方向360°的景象反射给CC D摄像机,最后生成全方位图像。
这种全方位摄像机在对室内全景实时处理要求下,是一种高效、可靠的信息采集途径。
1)国家“863”项目(2001AA422200)和国家自然科学基金(60175025)资助项目收稿日期:2003211217;修回日期:2003211224854另一方面,运动检测的关键是对序列图像将变化区域从背景图像中提取出来。
目前运动区域的检测方法可以分为模板匹配、光流和背景减除。
由于关注的区域是运动的人,不可能用一个固定的模板来表示,模板匹配方法不适用;光流方法时间开销比较大,且抗噪性能差,在复杂背景下也不适用,所以在本系统中采用背景减除的方法。
另一方面,由于复杂环境中经常出现一些背景的微小变化,如窗帘的摆动,电脑屏幕的闪烁等,简单的背景减除效果就会受到影响。
这里用到了自适应的背景减除算法[8,9](adaptive background subtraction )。
即在系统中建立环境图像的背景统计模型,用自适应背景减除算法提取前景区域,并在线更新背景的统计模型。
试验结果证明,该方法能较好地适用于本文的系统中。
1 系统概述系统架设在作者的实验室内,这是一个拥有复杂背景的房间。
用三角架支撑的全方位摄像机被放置在房间正中位置,离地面约一人高。
摄像机通过数据线和主控计算机连接。
在检测开始以前,系统先对没有人的环境持续观察一段时间,建立初始环境背景的统计模型。
以后,对每一时刻采集到的图像,首先进行去噪、平滑等预处理,然后将压缩的、圆形的全方位图像展开成矩形的柱面全景图像,以有利于后面的检测。
运动区域的检测利用前面建立好的背景统计模型,由自适应的动态背景减除算法得出前景区域,并更新原来的背景统计模型。
最后将前景区域进行分割并将每个人体目标用方框定位。
系统工作简单流程如图1所示。
图1 系统处理流程Fig.1 Flow chart of system process2 全方位图像变换这里用到的全方位摄像机采用半双曲面反光镜作为镜头,如图2(a )所示。
图2(b )是全方位摄像机直接采集到的图像,它是一个压缩的圆形全景图像。
现在要把它按360°展开恢复成一个图2(c )所示的矩形柱面全景图像。
做全方位图像的展开的目的有两个:一是提供更加直观的人机交互界面,二是为了后面图像处理步骤中一些算法能够方便的应用。
普通的展开方法需要知道摄像头的焦距,镜头的双曲面方程等内参数,且计算复杂度较高,在实时系统中占据的时间开销非常巨大[5]。
所以,实际上用到的是一种展开的快速近似算954 第3期皮文凯等:基于自适应背景模型的全方位视觉人体运动检测 法,如图3所示。
图3中,(a )图是圆形全方位图像,其中内径为r ,外径为R ,内外径之间的是图像的有效区域。
现将其展开成右边的矩形全景图(b ),展开规则有3条,(1)y 轴保持不变;(2)左图中y 轴与内径的交点O 1,对应到右图中左下角的原点O 1;(3)展开后的右图的宽度等于左图中虚线所示的圆的周长。
其中虚线圆为左图内外径的同心圆,且其半径r 1=(r +图2 全方位摄像机及全方位图像Fig.2 Omnidirectional camera andomnidirectional images R )Π2。
设圆形图的圆心O 坐标(x 0,y 0),展开的矩形图左下角原点坐标O 1(0,0),矩形图中任意一点P =(x ,y )所对应的点在圆形图中的坐标为(x 1,y 1)。
下面要求的是(x ,y )和(x 1,y 1)的对应关系。
根据几何关系可以得到如下公式:θ=x Πr 1,(1)r 1=(r +R )Π2,(2)x 1=x 0+(r +y )sin θ,(3)y 1=y 0+(r +y )cosθ。
(4)公式(3)、(4)即为(x ,y )到(x 1,y 1)的对应关系。
该方法实质上是做了一个图像插值的过程。
展开后,虚线上方的图像是横向压缩过的,虚线下方的图像是横向拉伸过的,而在虚线本身上的点则图3 全方位图像到柱面全景图像的变换Fig.3 T rans formation for omnidirectional images to cylindrical panoramic images保持不变。
需要说明展开规则(3)中,虚线圆半径r 1取[r ,R ]区间的任意值均可;但令虚线圆的半径r 1=(r +R )Π2,目的是为了让展开后的图看起来形变均匀一些。
图2(c )所示的试验效果也证明了这一点。
3 运动区域检测如前所述,目前运动区域的检测方法可以分为3类:(1)模板匹配;(2)光流;(3)背景减064 北京大学学报(自然科学版)第40卷 除。
由于一般关注的区域是运动的人,不可能用一个固定的模板来表示,模板匹配方法不适用;光流方法时间开销比较大,且抗噪性能差,在复杂背景下也不适用,所以在本系统中采用背景减除的方法。
另一方面,由于复杂环境中经常出现一些影响背景图像的因素,主要有:(1)摄像头、采集卡在采样过程中不可避免的误差;(2)日光灯频率变化;(3)环境中其他的干扰因素,如窗帘的摆动,电脑屏幕的闪烁等。
这样一来,简单的背景减除效果就会受到影响,不能适应长时间的检测任务。
这里用到了自适应的背景减除算法[8,9](adaptive background subtraction)。
自适应背景减除算法主要有以下3个步骤:311 初始化背景模型在没有人进入环境之前,首先对背景连续采集n幅图像,通过这n幅图像,可以建立一个初始背景的统计模型。
在这个模型里,背景中的每一个点i,定义μi为该点的颜色值的期望,σ2i为颜色值分布的方差,有如下公式:μi =1n6nt=1μit,(5)σ2i =1n6nt=1(μit-μi)2。
(6)其中μit为点i在第t幅图像中的颜色值。
这样,所有点的(μi,σ2i)构成了初始背景模型。
3.2 前景区域提取初始背景建立以后,对于每一幅新采集的当前图像,就可以进行前景区域的提取了。
设当前图像中点i的颜色值为yi,可以通过以下公式将图像二值化:D i=1, 如果(y i-μi>3σi);0, 其他。
(7)其中,所有标志为1的点构成前景区域,为0的点构成背景区域。
313 背景模型更新随着时间的推移,背景中不可避免的会发生一些变化。
如果一直使用最初始的背景模型,长时间后就会发生比较大的误差。
为了解决这个问题,采用自适应的背景模型更新方法。
设μi (t)和σ2i(t)分别为时刻t点i的颜色期望和方差,yi(t)为时刻t采集到的图像中点i的颜色值,则在t+1时刻,有:μi (t+1)=(1-α)μi(t)+αyi(t),(Di=0);μi(t),(Di=1)。
(8)σ2i (t+1)=(1-α)σ2i(t)+α(yi(t)-μi(t))2,(Di=0);σ2i(t),(Di=1)。
(9) 这样,背景模型在每一时刻不断的得到更新,以便跟实际环境尽可能保持一致。
通过上面方法,就可以得到二值化的前景图像。
最后,用数学形态学算法对其进行后期处理:先用3×3的腐蚀模板过滤,以去掉零散的噪音点线,接着用同样大小的膨胀模板过滤,恢复原来正确的前景区域。
图4显示了实验结果,从左到右分别是:(a)原始图像;(b)直接背164 第3期皮文凯等:基于自适应背景模型的全方位视觉人体运动检测 景减除效果;(c )自适应背景减除效果;(d )对(c )做形态学处理结果。
图4 背景减除方法示例Fig.4 Example of background subtraction图5 人体跟踪结果Fig.5 Frames from a sequence of tracking human bodies4 运动区域分割与人体目标定位获得前景区域后,下一步即从前景区域中分割出单个的人体区域。
如果有两个以上的人站在一起,则也作为一个区域考虑。
264 北京大学学报(自然科学版)第40卷 区域分割传统的算法是做连通区域提取再加融合。
但是作为实时系统考虑,这样时间开销较大。