基于MATLAB的人體姿態(tài)的檢測課程設(shè)計

1、山東建筑大學(xué)信電學(xué)院課程設(shè)計說明書基于視頻的人體姿態(tài)檢測一、 設(shè)計目的和要求1.根據(jù)已知要求分析視頻監(jiān)控中行人站立和躺臥姿態(tài)檢測的處理流程，確定視頻監(jiān)中行人的檢測設(shè)計的方法，畫出流程圖，編寫實現(xiàn)程序，并進行調(diào)試，錄制實驗視頻，驗證檢測方法的有效性，完成系統(tǒng)軟件設(shè)計。2.基本教學(xué)要求：每人一臺計算機，計算安裝matlab、visio等軟件。二、 設(shè)計原理2.1圖像分割中運動的運用（運動目標檢測）首先利用統(tǒng)計的方法得到背景模型，并實時地對背景模型進行更新以適應(yīng)光線變化和場景本身的變化，用形態(tài)學(xué)方法和檢測連通域面積進行后處理，消除噪聲和背景擾動帶來的影響，在HSV色度空間下檢測陰影，得到準確的運動目

2、標。噪聲的影響，會使檢測結(jié)果中出現(xiàn)一些本身背景的區(qū)域像素點被檢測成運動區(qū)域，也可能是運動目標內(nèi)的部分區(qū)域被漏檢。另外，背景的擾動，如樹枝、樹葉的輕微搖動，會使這部分也被誤判斷為運動目標，為了消除這些影響，首先對上一步的檢測結(jié)果用形態(tài)學(xué)的方法進行處理，在找出經(jīng)過形態(tài)學(xué)處理的后的連通域，計算每個連通域中的面積，對于面積小于一定值的區(qū)域，將其拋棄，不看做是前景運動目標。2.2 bwlabel函數(shù)用法：L = bwlabel(BW,n)L,num = bwlabel(BW,n)，這里num返回的就是BW中連通區(qū)域的個數(shù)。返回一個和BW大小相同的L矩陣，包含了標記了BW中每個連通區(qū)域的類別標簽，這些標簽

3、的值為1、2、num（連通區(qū)域的個數(shù)）。n的值為4或8，表示是按4連通尋找區(qū)域，還是8連通尋找，默認為8。四連通或八連通是圖像處理里的基本感念：8連通，是說一個像素，如果和其他像素在上、下、左、右、左上角、左下角、右上角或右下角連接著，則認為他們是聯(lián)通的；4連通是指，如果像素的位置在其他像素相鄰的上、下、左或右，則認為他們是連接著的，連通的，在左上角、左下角、右上角或右下角連接，則不認為他們連通。2.3 regionprops統(tǒng)計被標記的區(qū)域的面積分布，顯示區(qū)域總數(shù)函數(shù)regionprops語法規(guī)則為：STATS = regionprops(L,properties)該函數(shù)用來測量標注矩陣L中

4、每一個標注區(qū)域的一系列屬性。L中不同的正整數(shù)元素對應(yīng)不同的區(qū)域，例如：L中等于整數(shù)1的元素對應(yīng)區(qū)域1；L中等于整數(shù)2的元素對應(yīng)區(qū)域2；以此類推。返回值STATS是一個 長度為max(L(:)的結(jié)構(gòu)數(shù)組，結(jié)構(gòu)數(shù)組的相應(yīng)域定義了每一個區(qū)域相應(yīng)屬性下的度量。Properties可以是由逗號分割的字符串列表、包含字符 串的單元數(shù)組、單個字符串a(chǎn)ll或者basic。如果properties等于字符串a(chǎn)ll，則表4.1中的度量數(shù)據(jù)都將被計算；如果properties等于字符串basic，則屬性：Area，Centroid和BoundingBox將被計算。Area圖像各個區(qū)域中像素總個數(shù)BoundingBo

5、x 包含相應(yīng)區(qū)域的最小矩形Orientation 與區(qū)域具有相同標準二階中心矩的橢圓的長軸與x軸的交角（度）三、 設(shè)計內(nèi)容3.1理論依據(jù)3.1.1應(yīng)用背景與意義隨著監(jiān)控系統(tǒng)到位，以幫助人們甚至完成監(jiān)控任務(wù)?？梢詼p少人力和財力的投入，由于就業(yè)監(jiān)視人員進行。另外，如果長時間不運動圖像信息記錄，保存幾下，就失去了意義和視頻監(jiān)控系統(tǒng)的存儲資源浪費存儲空間。因此，傳統(tǒng)的監(jiān)視系統(tǒng)浪費了大量的人力，并有可能引起報警，性能差的實時監(jiān)控的泄漏。監(jiān)控等實時行為分析系統(tǒng)來識別人體，不僅可以替代監(jiān)控人員的工作的一部分，提高監(jiān)測系統(tǒng)的自動化水平，同時也提高監(jiān)視存儲的效率，還有一個廣泛的應(yīng)用，并在視頻監(jiān)視系統(tǒng)的潛在經(jīng)濟價

6、值之前。由于人的行為具有自由的偉大程度，因為身體寬松長裙不同程度和它的外貌和從圖像捕獲設(shè)備位置不同距離的表現(xiàn)風(fēng)格將是一個很大的分歧，這是人的行為分析，找出了一定的難度。但是，人類行為的實時分析，智能監(jiān)控系統(tǒng)，以確定關(guān)鍵技術(shù)及其廣闊的前景藥，安全性，虛擬現(xiàn)實，軍事和潛在的經(jīng)濟價值，國內(nèi)外研究機構(gòu)和學(xué)者越來越多的關(guān)注，并在許多全球領(lǐng)先的刊物和會議專題討論。美國和歐洲都進行了一些相關(guān)的研究項目。3.1.2運動分割算法首先利用統(tǒng)計的方法得到背景模型，并實時地對背景模型進行更新以適應(yīng)光線變化和場景本身的變化，用形態(tài)學(xué)方法和檢測連通域面積進行后處理，消除噪聲和背景擾動帶來的影響，在HSV色度空間下檢測陰影

7、，得到準確的運動目標。本次采用了基于累積差分和數(shù)學(xué)形態(tài)學(xué)處理的運動區(qū)域提取算法。在時域窗口內(nèi)，首先對圖象進行降級處理得到灰度帶圖象，對灰度帶差分圖象累積并進行數(shù)學(xué)形態(tài)學(xué)處理得到運動目標的軌跡模版，將軌跡模版與當前幀差分圖象與運算得到當前幀運動目標象素，最后進行多級數(shù)學(xué)形態(tài)學(xué)處理得到當前幀運動區(qū)域。實驗結(jié)果表明，該算法不僅能夠?qū)o止背景序列運動區(qū)域有較好的分割結(jié)果，而且在沒有進行全局運動補償?shù)那闆r下，對部分運動背景序列也能成功的提取出運動區(qū)域。3.1.3研究人體姿態(tài)的特征描述BoundingBox 包含相應(yīng)區(qū)域的最小矩形Orientation 與區(qū)域具有相同標準二階中心矩的橢圓的長軸與x軸的交角

8、（度）3.2方案設(shè)計根據(jù)設(shè)計要求確定視頻監(jiān)控中行人分割和人體姿態(tài)識別的方法，選擇確定運動目標檢測、行人人體姿態(tài)特征信息提取實現(xiàn)方法。畫出流程圖見附錄2并對各部分功能進行說明。（1）判斷是否為人體 在目標提取之前，首先要對輸入的圖片進行檢測。本文通過連通域的面積來檢測判斷目標是否為人體。 （2）人體目標提取 如果是人體導(dǎo)入背景圖片與背景圖片做差，再通過背景差閾值分割法進行提取。 （4）行為識別 在解決了以上的問題之后，接下來就是要選擇一種合適的算法來進行人體姿態(tài)識別，這也是本文研究的重點和難點。本文采用人體目標的連通區(qū)域的長寬比例和方向角的方法來對人體行為進行識別。3.3程序設(shè)計根據(jù)設(shè)計要求確定

9、視頻中行人檢測和人體姿態(tài)特征信息提取方法，進行程序設(shè)計，編寫實現(xiàn)程序，使用matlab等軟件。3.3.1圖像分割中運動的運用（運動目標檢測）運動目標檢測首先利用統(tǒng)計的方法得到背景模型，并實時地對背景模型進行更新以適應(yīng)光線變化和場景本身的變化，用形態(tài)學(xué)方法和檢測連通域面積進行后處理，消除噪聲和背景擾動帶來的影響，在HSV色度空間下檢測陰影，得到準確的運動目標。該段程序讀取了視頻從100幀到400幀的圖像。先對導(dǎo)入視頻采用近似中值濾波背景模型參考圖像實現(xiàn)運動目標分割，然后創(chuàng)建邊長為3的方形結(jié)構(gòu)元素，用于對分割結(jié)果形態(tài)學(xué)濾波。原視頻、近似中值濾波后的視頻以及采用形態(tài)學(xué)濾波后的視頻如圖3.3.11所示

10、圖3.3.11原視頻、近似中值濾波后的視頻以及采用形態(tài)學(xué)濾波后的結(jié)果videoObj = VideoReader(gyz.avi);本程序使用了VideoReader函數(shù)， 該函數(shù)用于讀取視頻文件對象。函數(shù)調(diào)用格式：obj = VideoReader(filename)obj = VideoReader(filename,Name,Value)其中obj為結(jié)構(gòu)體，包括如下成員：Name - 視頻文件名Path - 視頻文件路徑Duration - 視頻的總時長（秒）FrameRate - 視頻幀速（幀/秒）NumberOfFrames - 視頻的總幀數(shù)Height - 視頻幀的高度Width

11、- 視頻幀的寬度se = strel(square,3);本程序通過創(chuàng)建方形結(jié)構(gòu)元素，用于對分割結(jié)果形態(tài)學(xué)濾波。pixInc = find(Idiff 0); fmed(pixInc) = fmed(pixInc) + beta; pixDec = find(Idiff ori_low)&(or_m(n)ors_low)&(or_m(n)ors_high) title(strcat(站立,NO. , int2str(n); elseif title(strcat(其他,NO. , int2str(n); end if ratio(n)bo_t2 title(strcat(躺臥,NO. , in

12、t2str(n); elseif ratio(n)bo_z1&ratio(n) 0); fmed(pixInc) = fmed(pixInc) + beta; pixDec = find(Idiff Threh; if ( numColor = 3) % color image fg = fg(:, :, 1) | fg(:, :, 2) | fg(:, :, 3); end %對分割結(jié)果進行形態(tài)學(xué)濾波 fg2 = imopen(fg,se); fg2 = imclose(fg2,se); figure(1); subplot(2,3,1), imshow(newframe); title(s

13、trcat(Current Image, No. , int2str(n); subplot(2,3,2), imshow(fg); title(Segmented result using Approximate Median Filter); subplot(2,3,3), imshow(fg2); title(Segmented result using morphological filter); pause(0.01) L,num=bwlabel(fg2,4);%對連通域進行標記，num=6 img_reg = regionprops(L, Area, Orientation, bo

14、undingbox); %測量標注矩陣 L中每一個標注區(qū)域的area、orientation、boundingbox屬性。 all = img_reg.Area;%求出6個連通域的像素個數(shù) d,ind=max(all);%得到面積最大的連通域 or = img_reg.Orientation; or_m(n)=or(ind);%得到視頻每一幀的最大連通域的方向角 %對每一幀圖像的方向角進行判斷姿態(tài) subplot(2,3,4), imshow(newframe); if (or_m(n)ori_low)&(or_m(n)ors_low)&(or_m(n)ors_high) title(strcat(站立,NO. , int2str(n); elseif title(strcat(其他,NO. , int2str(n); end bo = cat(1,img_reg.BoundingBox); ratio(n)= bo(ind,4)/bo(ind,3); %對每一幀圖像的長寬比進行判斷姿態(tài) subplot(2,3,