隨著視頻監(jiān)控、智能家居和智能駕駛等領(lǐng)域的高度發(fā)展,人體行為檢測與識別展現(xiàn)出龐大的市場需求和極大的科研價(jià)值。實(shí)際應(yīng)用中,視頻的拍攝角度、背景光線、人體特征的多變性與人體各行為間的聯(lián)系等諸多因素,使得基于特征屬性的人體行為檢測與識別成為研究人員關(guān)注的重點(diǎn)。本文提出了一種基于特征提取的偶見動作行人檢測的方法,針對因行人肢體動作過大,如彎腰、蹲下等導(dǎo)致識別率降低的問題,彌補(bǔ)了現(xiàn)有技術(shù)的不足,在行人數(shù)據(jù)上進(jìn)行測試分析,并采用其他方法再度實(shí)驗(yàn)對比,使得該方法的有效性得到了充分的證明。提出了一種基于張量的圖匹配行為識別方法,考慮到空間和時(shí)間復(fù)雜性的問題,首先從原始視頻中提取特征,經(jīng)過一定的處理,形成高階特征描述符;利用提取的高階特征進(jìn)行學(xué)習(xí)訓(xùn)練,通過學(xué)習(xí)算法實(shí)現(xiàn)分類并在公開的行為數(shù)據(jù)上進(jìn)行測試,實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。提出了一種基于特征學(xué)習(xí)圖匹配的行為識別方法,該方法的關(guān)鍵是學(xué)習(xí)類模型圖,從而完成匹配識別。結(jié)合結(jié)構(gòu)化支持向量機(jī)和中層SIFT特征進(jìn)行學(xué)習(xí),并在KTH和UCF50行為數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn),同時(shí)選取不同的算法進(jìn)行實(shí)驗(yàn)分析對比。統(tǒng)計(jì)結(jié)果表明此方法的識別性能突出,驗(yàn)證了基于特征學(xué)習(xí)圖匹配的...

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
專用術(shù)語注釋表
第一章 緒論
    1.1 選題背景及意義
    1.2 相關(guān)技術(shù)研究現(xiàn)狀
        1.2.1 行人檢測研究現(xiàn)狀
        1.2.2 行為識別研究現(xiàn)狀
    1.3 本文的內(nèi)容結(jié)構(gòu)
第二章 行人檢測與行為識別數(shù)據(jù)集
    2.1 行人檢測數(shù)據(jù)集
    2.2 行為識別數(shù)據(jù)集
第三章 基于特征屬性的偶見動作行人檢測
    3.1 引言
    3.2 特征提取
        3.2.1 圖像預(yù)處理
        3.2.2 HOG特征提取
    3.3 SVM訓(xùn)練
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 創(chuàng)建標(biāo)準(zhǔn)數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)與結(jié)果分析
    3.5 本章小結(jié)
第四章 基于高階特征圖匹配的行為識別方法
    4.1 引言
    4.2 特征提取
        4.2.1 預(yù)處理
        4.2.2 SIFT特征描述
        4.2.3 高階特征描述行為特征
    4.3 基于高階特征圖匹配的識別算法
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 UT-Interaction數(shù)據(jù)
        4.4.2 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 基于特征學(xué)習(xí)圖匹配的行為識別方法
    5.1 引言
    5.2 行為特征的中層表示
    5.3 中層行為特征學(xué)習(xí)匹配
        5.3.1 學(xué)習(xí)特征圖模型
        5.3.2 基于圖匹配的識別算法
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 KTH行為數(shù)據(jù)集
        5.4.2 實(shí)驗(yàn)結(jié)果
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文總結(jié)
    6.2 研究工作展望
參考文獻(xiàn)
附錄 攻讀碩士學(xué)位期間申請的專利
致謝



本文編號：3742068