监控网络中人身份识别和行为理解的结合与增强

人行为的高级视觉理解是计算机视觉领域的一个重要研究课题。对其研究有许多有价值的应用，包括智能监控、个人辅助、人体异常行为检测、人机交互等。尽管已有许多相关研究工作，人的行为理解仍然十分具有挑战性，主要由非刚性身体关节运动、单摄像机监视下的遮挡和视角变化、图像噪声和低分辨率等因素引起。.因此本项目主要研究分布式摄像机网络中人行为理解的新算法，以及对视频感兴趣区域做超分辨率的新算法。本项目采用人体轮廓视频序列作为特征，结合监督流形学习方法，研究时空联合的人行为理解的最优鉴别分析新算法。对视频中感兴趣区域对象，本项目在基于学习的超分辨率方法基础上，研究抗开放环境图像噪声的对象超分辨率新模型。.通过理论建模与实验研究，开发在分布式摄像机网络中对人行为协同分析理解的新方法和新系统，达到能在现有监控网络中更好地理解人的行为、活动的目的，为进一步的个人辅助、异常行为检测、视觉物证鉴定等应用提供技术支持

本项目计划研究在监控网络中，通过对视觉特征的提取和分析来实现人的动作识别和行为理解，并结合对感兴趣区域的视觉增强来提高人的身份识别的可靠性。本项目侧重基础理论和算法研究。这些基础研究的结果在很多领域都有重要的应用，包 括智能监控、个人辅助、人体异常行为检测、人机交互等。在过去两年的项目执行中，我们也是从监控视频中的人体行为分析和监控视频图像本身的视觉增强两个方面出发，研究这两方面所涉及到的基础问题。从分析和提出算法解决这些基础问题来实现项目的最终目标：提高在监控网络中人的行为分析和理解的准确性和可靠性。这些基础问题包括视频分割、目标（人体）检测和跟踪、人体动作分类、以及图像增强等，和这些基础问题密切相关的基础算法包括图像算子设计、数据降维、光流计算、背景动态建模等。. .在与视频分割、目标跟踪等方面密切相关的光流计算问题上，我们提出了稀疏模型学习的方法来实现更准确的光流场计算，相关技术已发表于ICCV 2011会议。在图像增强方面，我们提出了一个基于关联字典学习(coupled dictionary learning)的在高维特征空间中做局部参数化转换的方法，此方法能应用于更广义的图像转换问题。相关技术已发表于IEEE Transactions on PAMI 。在视频分割方面，我们提出了一种基于分层递归贝恩斯模型的动态视频分割方法，对于具有多个动态背景目标的视频图像分割取得了较好的效果，相关技术成果已发表于IEEE T-IP。 在目标检测和跟踪方面，我们提出 了一种基于轮廓方向梯度的特征描述方法，相对于传统的HOG算法，在检测效率和精度方面有较大的提升，相关研究成果已发表于 ROBIO 2012。在人体动作分类方面，我们提出了一种基于半监督学习模型的降维算法，通过引入局部样本分布相似性指标，在识别准确率上有明显改进，相关成果已发表于Neurocomputing 2012。