基于运动图像序列的异常行为检测(4)

(2744(6 结束语

计算机应用研究 第27卷

learingtodetectunsafesystemstates[C]//ProcofInternationalCon ferenceonPatternRecognition.2008:3434 3437.[8]

AHMADM,TASLIMAT,LATAL,etal.Acombinedlocalglobalopticalflowapproachforcranialultrasonogramimagesequenceanaly sis[C]//Procofthe11thInternationalConferenceonComputerandInformationTechnology.2008:654 659.[9]

CHENCC,AGGANWALJK.Anadaptivebackgroudmodelinitia lizationalgorithmwithobjectsmovingatdifferentdepths[C]//Procofthe15thIEEEInternationalConferenceonImageProcessing.2008:2664 2667.

[10]TANGCheng yuan,WUYi leh,CHAOSP,etal.Anomalyfore

grounddetectionthroughbackgroundlearninginvideosurveillance[J].NewAdvancesinIntelligentDecisionTechnologies,2009,199(8):427 435.

[11]WRENC,AAZABAYEJANI,DARRELLT,etal.Real timetrac

kingofthehumanbody[C]//Procofthe2ndInternationalConfer enceonAutomaticFaceandGestureRecognition.1996:51 56.[12]STAUFFERC,GRIMSONWEL.Learningpatternofactivityusing

real timetracking[J].

IEEETransonPatternAnalysisandMa

chineIntelligence,2000,22(2):747 757.

[13]BRADSKIGR,DAVISJW.Motionsegmentionandposerecognition

withmotionhistorygradients[J].MachineVisionandApplica tions,2002,13(5):174 184.

[14]BOBIEKAF,DAVISJW.Therecognitionofhumanmovementusing

temporaltemplates[J].

EEETransonPatternAnalysisandMa I

chineIntelligence,2001,23(8):257 267.

[15]BABURV,RAMAKRISHNANKR.Recognitionofhumanactions

usingmotionhistoryinformationextractedfromthecompressedvideo[J].ImageandVisionComputing,2004,22(6):597 606.[16]AHADMAR,OGATAT,TANJ,etal.Acomplexmotionrecogni

tiontechniqueemployingdirectionalmotiontemplates[J].2008,4(5):1943 1954.

Interna

tionalJournalofInnovativeComputingInformationandContro,l

本文结合运动历史图像和运动方向来对停车场、小区等一些人群稀少且实时性要求较高的场所的异常行为进行检测。MHI很好地把运动的空间特征和时间信息都体现在图像中,它既能在空间上很好地描述运动发生的位置和区域,同时又能

在时间上反映运动是如何发生的,故能够较精确地反映运动行为特征。同时该方法实现简单、运行速度快,能够快速地作出判断,从而让监控人员有充分的时间处理异常事件。实验证明,该方法对于特定的场合能够较精确地区分出正常行为与异常行为,从而极大地增强了安全效力并减轻了安防人员的劳动强度,提高了监控人员的工作效率。但是,仅仅使用运动方向特征不易进行更具体的行为分析,同时运动方向受外界干扰影响大。在以后的工作中,要进一步结合其他算法来完善该方法。参考文献:

[1]MAGeng yu,LINXue yin.Typicalsequencesextractionandrecog

nition[C]//ProcofEuropeanConferenceonComputerVision.Ber lin:Springer,2004:60 71.[2]

SUDOK,OSAWAT,WAKABAYASHIK,etal.Detectingthede greeofanomalyinsecurityvideosequences[C]//ProcofConferenceonSignalandImageProcessing.2006:3 7.[3][4][5]

Freenet[EB/OL].(2005 12).http://www.77cn.com.cn/.

Tapestry[EB/OL].(2005 12).http://www.cs.ucsb.edu/~raven ben/tapestry/.

GAOJiang,COLLINSRT,HAUPTMANNAG,etal.Articulatedmotionmodelingforactivityanalysis[C]//ProcofConferenceonComputerVisionandPatternRecognition.2004:20.[6]

ABDIJ,NEKOUIMA.Determinedpredictionofnonlineartimese riesviaemotionaltemporaldifferencelearning[C]//ProcofControlandDecisionConference.2008:5257 5262.[7]

NINGHua zhong,XUWe,iZHOUYue,etal.Temporaldifference

(上接第2740页)出,链码离散曲率算法性能远高于传统的特征外,遥感图像都有边缘,都可以提取其链码,因而本算法并不局限于合成孔径声纳图像。本算法在图像识别领域具有较高的实用价值,有望应用于更多实际场合。

提取算法,其识别率较之有大幅度的提升。

表1 算法性能对比

算法链码离散曲率传统的特征提取

92%74%

86%66%

82%68%

参考文献:

[1]李蓉.合成孔径声纳技术研究[D].西安:西北工业大学,2001.[2]匡纲要,高贵,蒋永梅.合成孔径雷达目标检测理论、算法及应用

[M].长沙:国防科技大学出版社,2007.

[3]丁险峰,吴洪,张宏江,等.形状匹配综述[J].自动化学报,2001,

27(5):678 694.

[4]苏杰,王卫星.基于曲率和熵矩阵特征的商标图像检索[J].计算

机应用,2009,29(2):453 455.

[5]冈萨雷斯,伍兹.数字图像处理[M].阮秋琦,阮宇智,等译.北

京:电子工业出版社,2007.[6]

http://www.77cn.com.cnputerprocessingoflinedrawingimages[J].ComputingSurveys,1974,6(1):57 97.[7]

CUMMINGIG,WONGFH.合成孔径雷达成像:算法与实现[M].北京:电子工业出版社,2007.

[8]张洪刚,陈光,郭军.图像处理与识别[M].北京:北京邮电大学

出版社,2006.

[9]张红,王超,张波,等.高分辨率SAR图像目标识别[M].北京:

北京科学出版社,2009.

[10]SULLIVANRJ.成像与先进雷达技术基础[M].北京:电子工业

出版社,.

事实上,性能上的提升是正常的。传统的特征提取算法仅能够提取某一目标的有限几个特征,而链码离散曲率算法可以根据情况的不同提取目标的不同个数的特征。例如,前面仿真中对每个目标提取了30个特征点(边缘链码),特征点数的增多自然会提高识别效率。当然,随着特征点的增多,计算开销也要加大,不过本算法的复杂度仅与二值图像的边缘点数有关,其相对于传统的特征提取算法增加的计算量是不大的。

4 结束语

理论实际和仿真结果都表明,链码离散曲率算法在合成孔径声纳图像的识别上具有很好的性能,较之传统算法有较大优势。这一方面得益于本算法多特征提取的实质,另一方面也因为图像的轮廓对图像形状的决定性作用,而链码的采用正是利用了这一点。本算法的复杂度与图像边缘点数呈线性关系,因而对于一般的目标图像可以快速得到识别结果,加快了识别效率,取

[9,10]

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库基于运动图像序列的异常行为检测(4)在线全文阅读。