停车场异常行为识别方法研究.pdf

《停车场异常行为识别方法研究.pdf》由会员分享，可在线阅读，更多相关《停车场异常行为识别方法研究.pdf（56页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、四川师范大学学位论文独创性声明本人声明：所呈交学位论文下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不含任何其他个人或集体己经发表或撰写过的作品或成果。对本文的研究做出重要贡献的个人和集体，均己在文中以明确方式标明。本声明的法律结果由本人承担。本人承诺：已提交的学位论文电子版与论文纸本的内容一致。如因不符而引起的学术声誉上的损失由本人自负。学位论文作者：智他 签字日期：-I中年6月J日四川I师范大学学位论文版权使用授权书本人同意所撰写学位论文的使用授权遵照学校的管理规定：学校作为申请学位的条件之一，学位论文著作权拥有者须授权所在大学拥有学位论文的部分使用权，即：1)已获学

2、位的研究生必须按学校规定提交印刷皈和电子版学位论文，可以将学位论文的全部或部分内容编入有关数据库供检索；2)为教学、科研和学术交流目的，学校可以将公开的学位论文或解密后的学位论文作为资料在图书馆、资料室等场所或在有关网络上供阅读、浏览。本人授权万方数据电子出版社将本学位论文收录到中国学位论文全文数据库，并通过网络向社会公众提供信息服务。同意按相关规定享受相关权益。(保密的学位论文在解密后适用本授权书)学位论文作者签名：帆 导师虢越签字日期珈I吖年,97日 签字日期小孵占矿日摘要停车场异常行为识别方法研究计算机软件与理论专业研究生：邹佳运 指导老师：苏菡摘要 行为识别方法是近年来模式识别和计算机

3、视觉的研究热点，在智能人机交互、视频内容分析和虚拟现实等领域中有着广泛的应用前景，是智能监控技术的重要分支和未来的发展方向。行为识别方法主要包括行人检测、行为特征提取和特征分类三个部分，其中行为特征提取是行为识别方法的研究重点。本文通过对现有相关文献的分析，提出了行为是由连续帧图像的变化表达的观点，通过慢特征分析(Slow FeatureAnalysis，SFA)方法和Gabor滤波器提取出了行为不变特征，并在KTH行为数据库、CASIA行为数据库和自建行为数据库上进行了测试，能够达到令人满意的识别效果。本文的主要贡献如下：首先，分析了国内外行为识别数据库的特点，自建了室外停车场行为数据库，总

4、共采集了120段行为视频。自建数据库视频由不同角度的摄像机拍摄，保证了数据库的多样性：同时保证数据库中背景静止，有利于行人检测和视频的预处理。然后，针对连续帧图像的变化可以表达行为的观点，本文提出了新的基于SFA和Gabor的行为特征提取方法。通过SFA获得连续帧图像变化的慢特征，并用Gabor滤波器提取慢特征图像的纹理特征，纹理特征就是行为的不变特征。本文通过交叉验证的方法选取了特征提取方法的参数，通过行为特征的累计匹配特性研究分析了特征的分类性能。最后，本文根据异常行为识别任务的需求，将有向无环图(DAG)策略和二叉树(BiT)策略相结合，利用支持向量机，设计了适合异常行为识别的分类器。通

5、过该分类器对KTH行为数据库、CASIA行为数据库和自建行为数据库的行为特征进行交叉验证，得到了比较令人满意的识别率，从而实现了室外停车场的异常行为识别。关键词：行为识别，慢特征分析，Gabor纹理特征，支持向量机AbstractResearch on abnormal activity recognition in parkingMajor：Computer software and theoryGraduate Student：Jiayun Zou Adviser：Han SuAbstract In recent years，activity recognition is a resear

6、ch focus in paaem recognitionand computer visionIt has a wide range of applications in intelligent humancomputerinteraction，virtual reality，and video content analysisIt is also a development directionof intelligent monitoring technologyActwity recognition involves three steps：pedestrian detection，ac

7、tivity features extractand classifyActivity features is an important research point in actNity recognitionInthis paper，we analysis existing literature and propose a new method to get the activityinvariant featureActivity is a variety in successive fralles，so we can use slow featureanalysis and Gabor

8、 filter to get the invariant featureWe conduct extensive experiments，including parameters experiments and control experiments on KTH databases，CASIAdatabases and OUr own databasesThe main contribution ofthis paper is aS follows：First,created an activities database in a parking environmentWe collecte

9、d 1 20 videosegments with 6 activitiesThe video was captured from different angles and remainedstationary backgroundSecond，we propose a new method to extract the invariant featureSFA Can get the slowfeatures between the successive framesThen we use Gabor filter to get the texture in theslow features

10、 imagesTexture is the activity invariant featureBased Oll this methods，weuse cross-validation to get the best parameters and analysis the CMC of the featuresLast，we combine DAGSVM and BiT-SVM to identify abnormal behaviorAnd testedour method on KTH database，CASIA database and our own databaseExperim

11、entalresults suggest that the methods is able to extract useful activity patterns and improvesthe recognition performanceKey Words：Action recognition，Slow features analysis，Gabor Texture，SVMIIl目录目录摘要IAbstractIII1绪论111课题的背景及意义112国内外研究现状-113行为识别概述2131行为数据库及行人检测3132行为特征分析和提取6133特征分类8134存在的问题及难点914本文的研究

12、内容-915论文的结构与安排102行为数据库及行人检测1121自建行为数据库1122常用的人体检测方法12221帧差法12222背景建模1323实验结果和分析15231 KTH数据库行人检测15232 CAS队数据库行人检测一16233自建行为数据库行人检测1724本章小结173基于SFA和Gabor的行为特征分析1931慢特征分析19311慢特征分析的基本原理19312基于慢特征分析的行为表征2l32 Gabor纹理特征表征24321 Gabor滤波器24322 Gabor多方向特征融合2533基于SFA和Gabor的行为特征描述26331行为慢特征提取27四川师范大学坎士学位论文332 G

13、abor参数确定29333行为特征的分类性能3234本章小结344基于支持向量机的特征分类Error!Bookmark not defined41支持向量机35411支持向量机的基本原理35412多分类支持向量机3742实验结果与分析38421 KTH行为数据库39422 CASn行为数据库41423自建行为数据库4243本章小结425总结与展望一43参考文献45致谢一49插图清单插图清单图11行为分析相关技术研究发展概况【3】2图12行为识别流程3图13 KTH行为数据库4图14 CASIA行为数据库5图21行为视频拍摄示意图一12图22自建行为数据库12图23帧差法13图24平均背景模型1

14、3图25图像与灰度直方图14图26码元模型15图27 KTH行为数据库简单背景模型检测结果15图28 KTH数据库混合高斯背景模型和Codebook检测结果16图29 CASIA数据库混合高斯背景模型和Codebook检测结果16图210自建数据库行人检测结果17图31缓慢变化的视觉区域和快速变化的感知器之间的关系20图32不同参数对应的Gabor滤波器图像25图33 CASIA行为持续时间统计27图34行为立方体示意图27图35 KTH数据库行为慢特征提取结果28图36 CASIA行为慢特征图像-28图37 KTH和CASIA行为慢特征的T7值29图38不同波长和带宽下的平均识别率-30图3

15、9不同方向数的错分样本数量31图310不同细胞单元与移动步长的特征识别率32图311三种行为数据库CMC曲线33图41最优决策函数35图42 DAG策略拓扑结构38图43 BiT策略拓扑结构38图44 CASIA数据库分类策略拓扑结构38附表清单附表清单表11行为数据库4表31慢特征分析算法-22表32选择Gabor波长和带宽的其他相关参数29表33不同波长组合的平均识别率一30表34选择Gabor方向数量的其他相关参数31表35选择细胞单元大小和移动步长的相关参数31表36本文选定特征提取参数32表37行为数据库的训练集和测试集一32表41单位视频截取行为立方体表-39表42KTH行为数据库

16、分类方式1的混淆矩阵39表43 KTH行为数据块分类方式2的混淆矩阵40表44 KTH行为数据库6种行为混淆矩阵40表45本文方法与其他基于KTH数据库的行为识别方法比较40表46 CASn行为数据库5种行为混淆矩阵41表47 CASIA行为数据库异常行为识别混淆矩阵4l表48自建行为数据库5种行为混淆矩阵42表49自建行为数据库异常行为混淆矩阵一42绪论1绪论11课题的背景及意义人体行为识别技术是通过计算机对视频中人的行为动作进行分析，理解目标行为语义的相关技术。它是计算机视觉、模式识别和人工智能等学科的研究热点，在智能人机交互、视频内容分析、虚拟现实等领域有着广泛的应用前景，也是智能视频监

17、控的重要分支和未来的发展方向。传统的视频监控系统通过多台摄像机将监控区域的画面集中显示在屏幕上，由监控人员识别监控画面中的安全隐患从而做出报警等相应的处理，但自2001年美国9ll事件发生以来，人们对安防监控的需求越来越迫切，部署的监视摄像机越来越密集，监控系统日益庞大。监控人员不能在短时间内处理大量的监控数据，导致了监控系统预警不及时甚至不能预警等严重问题。为了解决监控系统中的海量信息问题，人们把计算机视觉和人工智能中的相关技术引入视频监控系统，提出了智能视频监控技术。通过计算机分析监控画面中可能存在的隐患和风险，智能监控技术使监控人员从死盯监控画面的工作中解脱出来，仅当计算机发出警报时进行

18、相应的处理工作。在智能视频监控技术被应用之前，2005年美国旧金山国际机场曾经发生过一起安全事故，一名旅客没有通过安检强行进入机场大厅，机场安全人员花费半小时才从监控视频中将其找到并抓获，因此造成了超过一百万美元的损失；机场安装并使用Smart Catch智能监控系统之后，每天能够多发现上百起安全隐患。综上所述，人体行为识别技术在机场、停车场等公共场所的监控系统中有着十分迫切的需求。智能视频监控系统的首要任务是识别出监控场景中的异常行为，是行为识别的子任务。异常行为识别方法的相关研究，能够为行为识别方法的研究提供一定的支持；同时，行为识别方法的研究，能够提高异常行为识别方法的识别率和泛化能力。

19、计算机对行为的识别过程属于计算机视觉的高层感知，这一过程涉及到计算机视觉、模式识别、数字图像处理和神经网络等学科，识别和理解的精度受到分割、特征提取等算法以及视频质量的影响，是亟待解决的难题，具有一定的研究意义。12国内外研究现状20世纪70年代就已经有对行为分析的相关研究。图11是文献1】2总结的从20世纪80年代到近年来相关重要论文和会议。如Computer Vision and Image四川师范大学硕士学位论文Understanding、IEEE Transaction on Pa_tcem Analysis and Machine Intelligence、IEEEConferenc

20、e on Computer Vision and PaRem Recognition、IEEE InternationalConference on Computer Vision、International Conference on Pattern Recognition、European Conference on Computer Vision等上发表的有关人体跟踪、人体姿势估计、行为识别方面的文章数目，06年以后仍有很多文章在上述期刊和会议发表，由图中可以看出行为识别相关研究越来越受到研究学者的重视，也从侧面反映了行为识别相关研究的发展历程。30 一一一2520皿蠢，s议105080

21、 82 84 86 88 90 92 94 96 98 00 02 04 06年份图11行为分析相关技术研究发展概况【3】目前，许多国内外公司和研究机构正在研究智能视频监控技术。美国国防高级研究项目署(Defense Advanced Research Projects Agency)设立了视觉监控重大项目VSAM，主要研究用于战场及普通民用场景进行监控的自动视频理解技术【4】：英国的雷丁大学(UniversityofReading)尸,经开展了对车辆和行人的跟踪及其交互作用识别的相关研究15：Vidient公司的Smart Catch智能监控系统能够分析监控视频为用户计算进出特定区域的人数、

22、识别车牌号码或非法滞留人群等；Perceptrak智能视频管理系统能够发现徘徊的可疑人员并作出报警；中国科学院自动化研究所模式识别国家重点实验室已经成立智能视觉监控研究组，开展这方面的研究，目标是实现一个动态场景集成分析演示系统并最终推向实用；贝尔信智能视频监控系统能够实现入侵检测，对徘徊、盗取物品等行为进行报警。虽然现在有不少较为成熟的智能视频监控系统，但对人的行为分析还处于初级阶段，仅能够跟踪人的运动轨迹、判断是否越界或计算人数等。对于一些较为复杂的行为，计算机仍不能够学习和理解，所以对人的行为识别依然是相关研究者的研究重点。13行为识别概述2绪论人的运动模式从简单到复杂可以分为动作(Ac

23、tions)和行为(Activities)两类【61。动作指简单的运动模式，通常由单人完成，持续时间较短，例如：行走、跑步等周期性动作和蹲下、弯腰等非周期性动作；行为是复杂的动作序列，通常由多个相互约束的动作组成，持续时间相对动作更长，例如遗弃物品以及两人之问相互挥手，拥抱等。动作和行为之间没有明确的分类边界，但这种简单的分类方法为人的行为识别提供了一个研究起点，即由简单到复杂的识别过程。通过对文献1】【2】【3】678的研究，可以将行为识别方法分为行人检测，行为特征提取和特征分类3个部分，如图12所示。I行为数据库L。 上一测H|_监控视频L图12行为识别流程行为识别系统通过行人检测能够获得

24、人体的运动区域，既行为的感兴趣区域：然后对感兴趣区域进行特征分析和提取，获得能够表征该行为的特征，生成行为特征库；最后选择分类器对行为特征进行学习和训练，最终识别和分类不同的行为。131行为数据库及行人检测真实环境中，监控摄像机拍摄到的画面是复杂的，多变的。由于光线变化、背景改变、遮挡以及行为语义与场景的关联程度等因素，直接在真实环境中研究行为识别方法是困难的。为了去除真实环境中不利于研究的因素，研究学者针对具体的问题，构建了不同的行为数据库。通过将行为限定在一定的场景内，降低行为语义和背景的复杂程度，由简单到复杂地研究行为识别方法。随着行为识别方法的研究和发展，许多研究机构已经针对不同的实际

25、问题，建立了相应的行为数据库，例如Hollywood行为数据库中的行为视频全部来自电影片段，场景多变复杂，包括了开车、亲吻、拥抱等日常行为；UCF Sports行为数据库中的视频截取自体育电视频道，所有行为均与运动有关。由于视频的采集源与采集方式不尽相同，不同的行为数据库能够解决的问题也截然不同，因此在进行行为识别方法研究的时候，需要选取适合的数据库进行实验。目前已有的数据库如表11所示。四川师范大学硕士学位论文表11行为数据库目前比较常见的具有代表性的行为数据库有如下几种：(1)KTH行为数据库KTH行为数据库如图13所示，包含了行走、慢跑、快跑、拳击、挥手和鼓掌6种行为，采集了25名志愿者

26、在4种不同场景中的600段行为视频。每段视频包含4段行为子序列，帧率是25fps，分辨率是160120，以avi文件形式存储。该数据库的视频背景简单，摄像机的运动较为轻微，部分视频中有明显的阴影，是目前众多行为数据库的基准，识别率已经达到了955。4(a)行走 (b)跑步惫j。?、 ，。震豁-。、V。_。罐(C)慢跑(d)挥手 (e)鼓掌 (f)拳击图13 KTH行为数据库绪论(2)Weizmann行为数据库Weizmann行为数据库包含90段行为视频，由9名志愿者在90度视角下完成10种不同的动作。视频的帧率是50fps，分辨率是180 x 144，同时该数据库提供标注好的前景轮廓视频，目前

27、正确率达到了100，己没有研究学者使用该数据库进行实验。(3)CAS认行为数据库CASIA行为数据库如图14所示，共有1446条视频数据，是由室外停车场环境中分布在三个不同视角的摄像机拍摄而成。数据分为单人行为和多人交互行为，单人行为包括走、跑、弯腰走、跳、下蹲、晕倒、徘徊和砸车，每类行为有24人参与拍摄，每人4次左右。多人交互行为有抢劫、打斗、尾随、赶上、碰头、会合和超越，每两人1次或2次。视频中背景复杂，光线变化较明显，帧率为25fps，分辨率为320 x 240，采用huffyuv编码压缩，以avi文件形式存储。(d)跳跃 (e)蹲下 (f)晕倒图14 CASIA行为数据库(4)Holl

28、ywood行为数据库Hollywood行为数据库目前提供了10种场景中的12类行为数据，如亲吻、开车、拥抱、打架、坐下等，总共包含3669段视频。所有行为数据采集自Hollywood电影，其目的是为研究者提供一个更加具有挑战的行为识别数据库。(5)UCF Sports行为数据库UCF Sports行为数据库是从BBC体育频道以及ESPN中截取的运动行为视频集。数据库中包含如潜水、高尔夫、举重等9种体育动作视频，分辨率是720 x480。目前该数据库的识别率达到了87。由上述可以看出，不同的数据库针对的问题不同，数据采集的方法和场景不同，数据库视频的内容差异很大；同时，分析数据库的发展可以知道，

29、目前行为四川帅江大学坝士学位论文识别方法的研究由简单背景、单一行为的识别向复杂场景、多人交互行为的识别过度，识别算法能够获得较好的识别效果。在获得行为视频之后，通常还需要标定视频中人的位置。行人检测是行为识别的预处理过程，其目的是为了去除视频中与行为动作无关的背景。由于视频中除了行为数据外，还有大量的、与行为无关的背景信息。为了降低背景信息中光照变化、多模态或画面抖动等因素的影响，行人检测将运动人体从图像中分割出来，获得人体运动侧影的图像序列，用于下一步的特征提取。目前常用的行人检测方法包光流法、括帧差法、背景建模、梯度方向直方图(Histogram oforiented gradient，H

30、OG)【91等。光流法通过分析视频图像中像素灰度的运动模式，计算出灰度移动的距离和方向，得到连续帧图像灰度移动的向量场，即光流特征。由于背景灰度变化缓慢，在向量场中的响应较小，而前景的变化剧烈，在向量场中的响应较大，所以通过一个阈值就能够区分出前景与背景。但是，如果背景的光线变化剧烈，就会影响光流法的检测效果。帧差法基于视频图像中背景变化缓慢，前景变化剧烈的特点，用当前帧减去前一帧或者多帧图像，从而获得前景图像。由于光线的变化在连续帧之间变化很微小，多以帧差法对变化的光照不敏感，能够快速获得运动物体所在区域，但是它无法检测静止的前景，并且剪影图像中会出现空洞。背景建模是行人检测最为常用的方法，

31、通过对背景进行建模，可以得到当前图像的背景图像，前景图像就是当前图像与背景图像的差值。根据不同的建模方法，背景建模可以分为平均背景建模、高斯背景建模以及Codebook等。平均背景建模将连续帧的平均值作为这些连续图像的背景，能够快速的进行建模，但是不能够检测出静止的前景，同时对光线的噪声敏感；高斯背景建模假设背景图像的灰度值服从高斯分布，通过高斯函数计算和更新背景模型，为了能够适应复杂背景的变化，衍生出了混合高斯背景建模。Codebook是一种非参数的背景建模方法，通过对每个像素建立时间序列模型，能够适应多模态背景，但是需要大量的内存。HOG并不能够将行人从图像中分割出来，而是把行人检测转化为

32、图像内是否存在行人的二分类问题。通过统计图像局部区域的梯度方向直方图，生成HOG特征，并用支持向量机对特征进行分类，判断图像中是否存在行人。HOG算法能够识别保持直立状态下的行人，并允许人体有细微的肢体动作，目前已经在人体检测和车辆检测中获得了成功。132行为特征分析和提取6绪论如何提取具有不变性和区分性的行为特征是行为识别系统的研究重点。不变性是指同一行为的特征具有平移、旋转、缩放不变性；区分性是指不同行为的特征能够准确的分类。用于人的行为识别的特征提取，方法可以分为以下三种：基于全局特征的方法，基于局部描述的方法和受到生物视觉系统启发的提取方法。基于全局特征的方法是通过人体的剪影、轮廓或行

33、为模板提取行为特征的方法。例如胡长勃10】等人建立了一个基于主元分析的行为识别系统，在HSI颜色空间对肤色建模，结合运动区域的连续性，分割并跟踪人脸和双手，通过主成分分析获得脸和手的运动曲线，从而对人的行为进行识别。Weinland和Boyer Ill】用行为关键帧的剪影图像建立模板，并将每个模板与剪影序列的最短欧式距离作为行为特征。Aaron F Bobick和James W Davis 112】提出了一种时空模板，将多帧人体剪影按照时序叠加起来得到运动历史图(Motion History Image，MHI)，并以此建立不同行为的MHI模板用于行为识别，能够快速的区分坐下、弯腰、蹲下等行为

34、。Moshe Blank13】等人分析了行为剪影在三维时空中的显著特性，提出了一种基于形状变化的行为特征提取方法。舢i和Shah 1141从人体运动光流中提取出包括散度、旋度等一系列的运动学特征，通过主成分分析对运动特征的时空卷积进行分析，得到行为特征，并用多示例学习对特征进行分类。由于基于全局特征的方法通常需要提取行人的剪影，然而真实情况中，清晰干净的行人剪影是难以提取的，同时全局特征没有旋转和平移不变性，所以基于全局特征的方法泛化能力不好，不能够适应真实环境下的变化。针对全局特征方法的不足，许多研究者提出了局部描述的方法，提取行为的局部不变特征。基于局部描述的方法通常包括以下三个步骤：兴趣

35、点检测，局部特征提取，行为特征表达。Schuldt15】等人构建了基于局部时空特征的视频表示方法，并用支持向量机对行为特征分类。Dollar16】等人的研究表明常用的二维兴趣点检测方法不适用于检测时空特征点，并提出了替代方法用于行为识别。Niebles 117】等人将视频序列看作是通过提取时空兴趣点得到的时空单词集合，并通过潜在主题模型学习时空单词集合和相应行为语义的概率分布。Rapantzikosis】等人解决了在一些列时空约束下的能量最小化问题，从视频图像序列中提取时空显著特征点，并从显著特征点中选取兴趣点进行行为识别。越i和Shah【l 9】基于混沌系统理论，对人体运动的非线性变化进行建

36、模和分析，用关节点的运动轨迹表征行为。斯坦福大学视觉实验室提出了一种新的无监督学习方法对人的行为进行分类，通过将视频序列表示为时空词语的集合提取时空兴趣点，能够在复杂的视频序列中定位不同的动作【20。Wang21】等人针对行为识别研究了不同的局部描述检测方法，并表明在实际的监控视频中密集的抽样策略优于常用的兴趣点检测方法。另一方面，随四川师范大学硕士学位论文着人们对生物视觉系统认知的深入，新的基于生物视觉系统的行为特征提取方法受到了关注。受到生物视觉神经系统感受野理论的启发，许多研究人员试图开发新的算法来模拟视觉皮层神经元的功能。大量的生物实验表明，视觉具有非常复杂的层次结构，视觉通路上各层次

37、的神经细胞，所处理的信息分别对应于视网膜上的一个局部区域，层次越深，该区域就越大。例如初级视皮层Vl区简单细胞的感受野，对特定方向和特定宽度的条形刺激有强烈的反应，而复杂细胞处理简单细胞传递的视觉信号，其感受野比简单细胞的感受野大，同样对特定方向的刺激产生响应，但是对刺激在感受野中的位置没有严格的要求。感受野获取视觉图像中的局部特征，传递给视觉通路下一层的神经细胞进行特征融合，最终形成抽象的视觉感知。Jhuang】等人提出了一种基于生物视觉模型的运动检测系统。Zhang Zhang和Dacheng Tao 1231结合时间缓慢原则，提取视频序列时序信号的缓慢特征用于行为的识别。由Vl区的视觉细

38、胞感受野的特性可以推测，视觉系统对图像的感知是稀疏的，即可以通过稀疏编码提取图像特征。随着稀疏表达在图像特征提取方面的成功应用，研究学者们开始研究使用稀疏的方法提取行为特征，Guha和Ward24】从视频序列中提取出时空描述子用于构建了三个过完备字典，通过稀疏编码提取视频序列中的行为特征。133特征分类特征分类是对行为特征进行分类和决策的过程，根据特征提取方法的不同，所采用的特征分类方法也不相同。常用的分类方法有贝叶斯分类器、神经网络、支持向量机等。贝叶斯分类器是建立在贝叶斯理论的基础上，利用贝叶斯公式计算待分类对象的后验概率，通过最小化误差得到待分类对象的类别。但由于在实际情况中，类条件概率

39、密度通常是未知的，用于估计概率密度的模型不一定能够精确描述实际情况，所以贝叶斯分类器没有得到广泛的应用。神经网络通过模拟动物神经系统处理信息的方式，建立大量相互连接的计算节点对数据进行处理，模拟神经细胞的兴奋与抑制的特性，通过改变连接节点的权值大小，从而改变节点的活跃程度。目前已有的神经网络模型已经超过了100种，例如反向传播神经网络(BP神经网络)、Hopfield神经网络、感知器、Neocognitron等，其中应用最为广泛的是BP神经网络。但是由于神经网络需要进行大量的计算，使得网络的训练时间较长；需要大量的数据训练网络结构，在小样本的条件下网络的泛化能力不强；同时，得到的结果不稳定并且

40、只能得到“黑箱”函数，不能够被解释。绪论支持向量机将特征映射到更高维的空问中寻找间隔最大的分类决策面，通过寻求结构化风险最小来提高学习机的泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。134存在的问题及难点虽然目前有越来越多的方法被提出，但是行为识别依然面临许多的问题和挑战。例如算法如何适应真实的复杂环境，能否实时的分析视频中的行为特征等。通过对现有文献的研究，可以总结出如下几个重要的问题和难点。首先是算法对真实环境的适应能力。由于现有的算法大多是通过人为构建的数据库进行实验，当还原到真实环境之后，算法的识别率就会大打折扣。真实环境的复

41、杂背景问题一直困扰着众多的研究学者，光照变化、遮挡、多模态等问题，直接影响了行人检测的精确程度。目前为止还没有一种算法能够将运动前景快速准确的分割出来。所以为了提高算法的适应能力，要么提出更优秀的行人检测方法，要么使特征提取不再依赖行人检测的结果。其次是如何提取行为的不变特征。不变特征的提取一直是行为识别的研究重点。对于一种行为识别方法，如果改变观测的视角和距离，会相应的改变人体剪影的形状或关节点的跟踪轨迹，基于剪影或轨迹提取出的行为特征就会改变。为了获得行为的不变特征，必须从图像序列中提取更加抽象的特征。生物视觉系统是一个提取抽象特征的很好的范例，通过逐层地将视觉信号抽象化，最终能够获得信号

42、的不变特征。然而视觉系统是极其复杂的系统，提取的特征越抽象，处理的过程就越复杂。由于目前对视觉系统的认知还不够完全，所以抽象特征的提取仍然是一个困难的过程。然后是行为识别算法的实时性。目前很多算法不能够被应用于实时的监控系统，除了算法不能够适应复杂背景的原因外，算法的时间效率是一个重要的因素。实时系统要求行为识别算法每秒至少处理24帧图像，而由于特征提取方法的复杂性，使得很多算法不能够达到这个要求。最后是行为识别方法的泛化能力。目前已有的行为识别方法多是针对特定场景、识别特定的行为，当场景改变之后，算法可能就不能正确的识别行为语义。方法的泛化能力与行为特征和分类算法的优劣有关，特征不具备不变特征或者分类算法过度拟合，都会降低方法的泛化能力。综上所述，行为识别方法依然有很大的研究空间。14本文的研究内容9四JII师范大学硕士学位论文本文结合慢特征分析和Gabor滤波器，针对室外停车场环境，分析和提取行走、