毕业论文课题相关文献综述
1.1研究背景
随着经济社会的发展，每个人与社会的联系更为密切。公共安全日益成为每个人都要面对的重要问题。没有公共安全的保障，社会就无法长治久安。为了更好维护公共安全，保障公民在公共场所的人身安全。人体特定动作识别系统应运而生。随着科技的进步，摄像机分辨率的提高和图像处理技术的进步，动作识别技术正在快速发展。基于python语言在图像处理和视频分析的应用可以识别特定动作，切实维护公共安全。
1.2国外研究现状
国外对于人体特定性为动作分析的相关研究最早是从军事应用领域开始的，而其中对行人的检测和分析一直就是最重要的内容之一。美国国防高级研究项目署在1997年设立了以卡内基梅隆大学为首，联合麻省理工学院等多所高等院校和研究机构参加的视频监控项目，主要研究了实时自动监控军事和民用场景的视频理解技术。开发了VSAM的一个子系统。使用单摄像头和采集的灰度图像，对复杂的室外环境下的行人进行定位和分割并实时跟踪多人。Collins et al.在VSAM的基础上又融合多传感器技术，开发了用于校园监控人体行为动作识别的系统。研究开发多模式的监控技术以实现远距离情况下对人的检测、分类和识别。研究了公共安全的视频分析问题，通过多摄像机对地铁站点人的检测与跟踪监控，分析人和人群的密度、运动和行为等信息，用于检测危险或犯罪行为。在敏感安全场所的监控上,欧洲科研机构还针对机场环境进行了目标的检测及其异常行为的预警研究。
中国最近几年来可以应用于人的行为分析的研究主要集中在目标的检测、跟踪、识别和更高层次的行为分析上，主要方向是在检测的准确性、鲁棒性和快速性上不断进步，由此出现了一些新的解决方案和算法。在目标的分割和检测上，研究重点是分割的准确性和计算的快速性，其中使用减背景的方法进行背景建模和运动目标分割逐渐成为主流思路，该类方法主要分为建立模型估计参数的和非参数的两种。典型的建立模型的方法使用了线性滤波器、混合高斯模型，米描述像素在时间变化上的分布，从而通过更新模型参数来维护背景模型:非参数的方法通过其它像素特征建立模型来更新背景，如核密度估计方法、码本的方法、区域纹理特征的方法。在模型的层次结构上，除了以上这些传统的基于像素的、基于区域的单层模型外，也出现了更为精准的多层模型。在目标的跟踪上，主要有关注目标局部特征的建立模型跟踪的方法，和基于活动轮廓，研究的重点包括多目标、摄像机运动等复杂问题。在传统的使用Kalman滤波器的基础上，采用粒子滤波器的方法正快速发展。在行人的识别上，研究方案集中在使用模式识别的方法进行分类，研究内容主要包括特征的提取和分类器的构造。特征提取方面有基于运动特性的方法和基于形状特性的方法运动特性主要是人运动特有的刚性和周期性，形状特性可以包括图像的区域离散度、宽高比、梯度等多种特征。
1.3人体特定动作行为识别技术的研究
1.3.1 目标检测
在行为检测过程中，最基本的步骤就是从视频序列中检测出人体目标区域，检测的优劣直接影响到人体异常行为检测算法的准确性,因此需要根据实际使用场景选择合适的检测方法。(1)帧间差分法首先对视频流中的每-帧图像进行灰度化处理，之后求相邻视频帧之间的灰度差值。由于目标的运动使目标的外轮廓位置像素会有灰度差，从而最后检测出人体的轮廓信息,算法的优点是直接对像素点求差值，计算速度快,对外部环境适应能力强，能有效的捕捉到光线的变化，实现简单，是最为经典的前景检测算法。帧间差分法的缺点也很明显，首先由于像素值或多或少有相似性,通过像素点的差值求得的运动区域会比实际的大;其次，差值后的图像进行二值化处理，需要根据不同场景、不同光线、不同运动目标特征通过大量测试设置阈值，因此这个阈值不具有普遍性，同时也没有一定的规则去动态更新值，因此具有很大的局限性。(2)背景建模法背景建模法利用视频流的前几帧图像求得初始的背景模型,之后用每-帧图像与背景模型求差值,从而提取出运动前景区域。其中背景模型在每一次计算中都会及时更新，以消除如汽车移动、树干摇摆造成的背景变化，从而能够提供最完全的特征数据。与帧差法相比，背景建模法可以提取到运动目标的整个区域特征，不仅仅局限于提取轮廓。在初始化背景模型后，每次只需少许的更新,其运算速度快,实时性和鲁棒性强，一般结合其他方法会取得很好的效果。
(3)光流法光流法是通过计算连续多个图像序列的像素点在时间上的连续变化，通过计算出梯度方向、速度获取像素点在每帧图像上的关联关系，最终得出相邻视频序列中物体运动信息的方法，它将每一帧图像都看作一个矢量场，对前景目标的提取则利用了矢量场中的光流特性。光流法十分适用于背景经常变化的情况，但是由于它要对每帧图像的所有像素点计算梯度、方向、速度等矢量信息，计算数据量非常大，因而对硬件设备性能要求高，在软硬件条件一般的情况下,不适用于对实时性要求高的系统。
1.3.2目标跟踪目标跟踪指在视频序列中检测出运动目标出现的位置，并对视频图像序列中的目标进行匹配，进而分析和理解目标行为，实现目标跟踪。分别通过物体位置的观察序列预测出物体的位置的坐标和速度，利用目标的动态信息滤除噪声的影响，对目标位置做出估计。文献中采用一种序贯贝叶斯推断方法，通过递归的方式推断目标的隐含状态。采用核密度估计法，在不需要先验知识而完全依靠特征空间中的样本点来计算其密度函数值，在采样充分的情况下，能够渐进地收敛于任何一种密度函数。目标跟踪会受到物体外观变形、图像分辨率、光照变化、快速运动和背景相似性的干扰，这些挑战因素共同决定了目标跟踪是一项复杂的任务。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
