1. 研究目的与意义（文献综述）

随着计算机技术的快速发展，以及人们对于社会安全的日益重视，视频监控越来越多的被运用于保护人们的安全之中。伴随着人工智能技术的日渐成熟，在视频监控领域引入智能监控可谓是大势所趋。智能视频监控，其主要作用在于两个方面，一是对于监控中行为人的识别，二是对于识别了的行为人的动作进行分析，判断是否有异常行为。目前，进行视频行为分析的方法有许多，而本文将着重使用支持向量机（support vector machine，svm）的方法，实现视频行为识别并比较其与其他方法的优劣。

支持向量机是一种建立在统计学习理论上的vc维理论和结构风险最小化原理基础上的机器学习方法，在分析小样本、非线性、高维模式识别等问题时，有较好的表现。svm的主要思想可以概括为两点：在样本是非线性时，通过非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能；基于结构风险最小化理论之上，在特征空间中寻找一个满足要求的最优分类超平面，使得在保证分类精确度的同时，学习器得到全局最优，超平面两侧的空白区域最大化。

在进行行为人识别方面，目前，国内外多使用基于方向梯度直方图（histogram of oriented gradient，hog）的方法，，提取视频中关键值，进行识别。并结合svm，用于减少了资源消耗，还在一定程度上提高了系统工作效率。

2. 研究的基本内容与方案

本次毕业设计旨在学习和研究数字图像处理、数字视频处理原理和方法，重点研究基于svm的视频行为识别方法，在visual studio 2010或matlab或python环境下实现，并对结果进行比较分析。

首先通过阅读教材和论文，对svm的原理和实现方法进行初步的认识，以利于对实际应用中使用svm的原因和方法形成更好的理解。

基于svm的视频行为检测步骤基本如下：

3. 研究计划与安排

第1周—第4周 搜集资料，撰写开题报告；

第5周—第6周 论文开题，硬软件总体设计；

第7周—第13周 分步实施，实验及分析，撰写论文初稿；

4. 参考文献（12篇以上）

[1]刘瑞祯，于仕琪编著.opencv教程[m].北京：北京航空航天大学出版社，2009.

[2] 丁世飞，齐丙娟，谭红艳.支持向量机理论与算法研究综述[j]，电子科技大学学报，2011，40（1）：2-10.

[3] 赵雄伟，刘本永.基于3d-sift和svd特征融合的视频行为识别[j]，贵州大学学报（自然科学版），2017，34（3）：71-76.