視頻中的人體行為識(shí)別主要是指對(duì)包含人體行為的視頻文件或片段進(jìn)行分類和標(biāo)記，是近年來計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域一個(gè)非常熱門的研究方向，在人機(jī)交互、智能監(jiān)控、視頻檢索等領(lǐng)域有廣泛的應(yīng)用。在視頻中的人體行為識(shí)別相關(guān)工作中，基于視頻的局部時(shí)空特征的方法被深入地研究。而在圖像特征編碼領(lǐng)域，稀疏編碼是一種被普遍應(yīng)用的方法。本文針對(duì)基于視頻時(shí)空特征和稀疏編碼結(jié)合的視頻表示在人體行為識(shí)別問題中的應(yīng)用進(jìn)行了研究。本文的主要研究工作和創(chuàng)新點(diǎn)如下：1.首先對(duì)視頻時(shí)空興趣點(diǎn)的檢測(cè)算法和特征提取算法進(jìn)行了回顧和比較，分析了各算法的優(yōu)缺點(diǎn)、適合的應(yīng)用場(chǎng)景，比較了各算法的性能表現(xiàn)。本文還對(duì)稀疏編碼的原理和主要算法進(jìn)行了介紹，并對(duì)各算法的特點(diǎn)和優(yōu)劣進(jìn)行了詳細(xì)的探討。2.針對(duì)目前一些基于時(shí)空特征的視頻表示存在的對(duì)于目標(biāo)行為多次重復(fù)的視頻特征分布進(jìn)行不恰當(dāng)整體編碼的問題，提出了一種基于視頻時(shí)空特征聚類的視頻子片段檢測(cè)的方法，并結(jié)合聚類分析的方法自動(dòng)地選擇合適的視頻子片段個(gè)數(shù)，從而使每個(gè)視頻子片段包含目標(biāo)行為的一次出現(xiàn)。3.提出了一種基于時(shí)空金字塔的匹配和最大匯總結(jié)合的方法來生成分割后的視頻子片段的表示，并進(jìn)一步將子片段的表... 

【文章來源】：上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

–1Harris角點(diǎn)檢測(cè)算法檢測(cè)效果

s) 是原圖 I(x) 與不同方向的二階高斯微分函數(shù)的卷積。圖2–2展示了 Harris-Laplacian 檢測(cè)算法的檢測(cè)效果。如圖所示白色的圓圈代表的就是最初由多尺度的 Harris 檢測(cè)算法的角點(diǎn)響應(yīng)的比較檢測(cè)到的同一平面上的極值所對(duì)應(yīng)的角點(diǎn)的區(qū)域，而黑色的圓圈代表的就是進(jìn)一步在尺度方向上比較 Laplacian 算子值以后得到的最終的角點(diǎn)所對(duì)應(yīng)的區(qū)域。2.1.2 斑點(diǎn)檢測(cè)算法斑點(diǎn)檢測(cè)算法主要檢測(cè)圖片中的圓形或者類圓形的斑點(diǎn)區(qū)域。斑點(diǎn)檢測(cè)算法不同于角點(diǎn)檢測(cè)算法使用對(duì)二階矩矩陣的計(jì)算結(jié)果來判斷角點(diǎn)，而是通過對(duì)海森矩陣（Hessian matrix）的計(jì)算來檢測(cè)興趣點(diǎn)或者區(qū)域。— 12 —

對(duì)這樣的檢測(cè)算法有詳細(xì)的描述。圖2–3是一幅向日葵的花田的圖片，圖片中的斑點(diǎn)結(jié)構(gòu)都由基于海森矩陣的斑點(diǎn)檢測(cè)算法檢測(cè)并標(biāo)注了出來�？梢院苊黠@地發(fā)現(xiàn)，和興趣點(diǎn)都集中在角點(diǎn)的角點(diǎn)檢測(cè)算法不同，斑點(diǎn)檢測(cè)算法檢測(cè)到的興趣點(diǎn)的區(qū)域往往近似包含了一個(gè)類似于斑點(diǎn)的區(qū)域。2.2 二維興趣點(diǎn)的描述算法二維興趣點(diǎn)被檢測(cè)出來以后，就要對(duì)其周邊的圖片區(qū)域提取特征。二維興趣點(diǎn)主要由兩類參數(shù)來描述，一類是它們?cè)趫D片中的位置信息，即坐標(biāo)；另一— 13 —


本文編號(hào)：3568758