視頻序列中的行為識別由于應用廣泛,是當前計算機視覺研究領域的一個熱點。行為識別研究在受控場景下已經(jīng)取得很大進展,但在復雜場景下,還存在著諸多挑戰(zhàn),如何在嘈雜的真實場景下,尋求有效的行為特征表示,以及高效的、魯棒的、能滿足實時處理要求的機器識別算法,將是較長時期內(nèi)所追求的目標。為了提升行為識別的性能,我們做了以下幾個方面的工作:1)概率隱含語義分析模型的行為識別研究概率隱含語義分析模型通過挖掘隱含于眾多特征點間的共現(xiàn)模式,提取中間層的語義描述來表示視頻中的行為,增強了特征的判別性。為了進一步提升模型的識別性能,著重研究了不同編碼方法聯(lián)合歸一化方法對于分類性能的影響,采用稀疏時空特征時局域軟分配編碼結合指數(shù)歸一化方法大幅提升了識別性能;還考察了主成分分析預處理原始特征對于性能的影響,在顯著降低特征維度進而降低計算量的同時,當特征包含較多噪聲成分的情況下性能甚至會有所提升。在KTH和UT-interaction數(shù)據(jù)庫上的實驗表明,編碼和歸一化方法的適當組合可以顯著提高模型的性能。在UT-interaction數(shù)據(jù)庫的兩個子集上識別精度分別達到了當前最好的結果96.44%、95%,其中在數(shù)據(jù)集...

【文章頁數(shù)】：120 頁

【學位級別】：博士

【部分圖文】：

圖1-1視頻中行

lRecognitionChallenge)，成為檢驗各類識別算法的基準。相對于靜態(tài)圖像的識別，在視頻序列中的行為分析顯然復雜很多。首先，視頻處理的數(shù)據(jù)量很大，對于計算資源的要求相對較高，也對算法的優(yōu)化提出了更高的要求；其次，對于視頻的標注，比之圖片而言有著更多的歧義性，準確的標....

圖1-1視頻中行

lRecognitionChallenge)，成為檢驗各類識別算法的基準。相對于靜態(tài)圖像的識別，在視頻序列中的行為分析顯然復雜很多。首先，視頻處理的數(shù)據(jù)量很大，對于計算資源的要求相對較高，也對算法的優(yōu)化提出了更高的要求；其次，對于視頻的標注，比之圖片而言有著更多的歧義性，準確的標....

圖1-3行走的運動狀態(tài)圖[12]

東南大學博士學位論文6義含義，可視為更高層的語義特征，可用以建模長時間的復雜行為。目前來看，沒有一個適用廣泛的特征能夠在所有的識別任務中均表現(xiàn)出色，一般來言特征表示的選擇與具體的識別任務是相關的，如何找到合適的特征來表示要識別的行為，是行為識別的關鍵步驟。1.2.1.1.1底層特....

圖1-4：MEI/MHI模板[13]示例，第一行為視頻樣本，中間為MEI模板，第三行為MHI模板

第一章緒論7目前廣泛采用的特征可以分為兩類：全局特征和局部特征。所謂全局特征，就是抽取人體行為的整體表示，即將人體作為一個整體的區(qū)域來描述，這就需要通過跟蹤或者前景、背景分離等方法從視頻中把人體分離出來。Bobick等[13]從視頻序列中提取出剪影序列并將幀間的差異集合起來用運動....

本文編號：3892883