發(fā)布時(shí)間：2023-06-03 23:25

　　非負(fù)矩陣分解是一種理想的數(shù)據(jù)降維方法,它要求因子矩陣的元素必須是非負(fù)的,即所有元素必須等于或大于零。這種非負(fù)約束導(dǎo)致NMF是一個(gè)基于部分的表示,符合人腦局部構(gòu)成整體的認(rèn)知過程。因而,對(duì)圖像處理,分類和聚類來講是一種有用的學(xué)習(xí)技術(shù)。本文經(jīng)過對(duì)已有NMF方法的深入研究,提出了兩種新特性的NMF方法,并應(yīng)用于視頻人體行為識(shí)別的研究中。(1)提出了一種秩正則化和局部加權(quán)約束的非負(fù)矩陣分解NMF_RRLWC方法。該方法構(gòu)造了局部加權(quán)約束項(xiàng)和秩正則化項(xiàng)兩個(gè)約束項(xiàng),并將其應(yīng)用于運(yùn)動(dòng)軌跡聚類中。局部加權(quán)約束項(xiàng)依據(jù)原始數(shù)據(jù)樣本與聚類中心間的距離相似性構(gòu)造了一個(gè)加權(quán)算子。秩正則化約束保證了分解結(jié)果具有一定的稀疏性,同時(shí)又不因過于嚴(yán)格的稀疏而影響數(shù)據(jù)的流形結(jié)構(gòu)。實(shí)驗(yàn)結(jié)果表明這兩個(gè)約束項(xiàng)的添加可以得到較好的聚類效果。文中給出了該方法的更新規(guī)則和收斂性證明。在聚類實(shí)驗(yàn)中,NMF_RRLWC能很好地?cái)M合出運(yùn)動(dòng)主體所在的區(qū)域,從而保證可將位于背景中的軌跡剔除。(2)提出了一種時(shí)間平滑和秩正則化約束的非負(fù)矩陣分解TSRRC_NMF方法用于時(shí)間子空間聚類,即視...

【文章頁數(shù)】：71 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要工作及章節(jié)安排
第二章 非負(fù)矩陣分解與行為識(shí)別基本理論
    2.1 引言
    2.2 非負(fù)矩陣分解方法
        2.2.1 問題描述
        2.2.2 目標(biāo)函數(shù)
        2.2.3 迭代更新規(guī)則
    2.3 各種非負(fù)矩陣分解改進(jìn)方法
    2.4 行為識(shí)別相關(guān)理論
        2.4.1 視頻行為表示方法
        2.4.2 行為識(shí)別的相關(guān)數(shù)據(jù)庫(kù)介紹
    2.5 本章小結(jié)
第三章 秩正則化和局部加權(quán)約束非負(fù)矩陣分解方法
    3.1 引言
    3.2 本文秩正則化和局部加權(quán)約束非負(fù)矩陣分解
        3.2.1 數(shù)學(xué)模型
        3.2.2 求解方法和更新規(guī)則
        3.2.3 收斂性證明
    3.3 獲取視頻中的運(yùn)動(dòng)顯著性區(qū)域
    3.4 實(shí)驗(yàn)與分析
        3.4.1 秩正則化和局部加權(quán)約束非負(fù)矩陣分解方法的收斂性
        3.4.2 聚類結(jié)果對(duì)比實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 復(fù)雜行為識(shí)別
    4.1 引言
    4.2 時(shí)間平滑和秩正則化約束的非負(fù)矩陣分解用于時(shí)間子空間聚類
        4.2.1 數(shù)學(xué)模型
        4.2.2 迭代規(guī)則
        4.2.3 收斂性證明
    4.3 視頻行為分割
    4.4 實(shí)驗(yàn)與分析
        4.4.1 時(shí)間平滑和秩正則化約束的非負(fù)矩陣分解方法的收斂性
        4.4.2 參數(shù)選擇
        4.4.3 視頻行為分割
        4.4.4 復(fù)雜行為識(shí)別
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 全文總結(jié)
    5.2 研究展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3830241