结合MACH滤波最大池化及多类SVM的行为识别

发布时间：2020-02-03 20:14

【摘要】：提出一种人体行为识别方法。构建MACH滤波器组,对视频片段的三维时空体进行滤波,得到时空相关体;采用三层最大池化方法提取时空相关体的特征向量,采用高斯隶属函数对池化特征向量进行扩展;构建多类SVM分类器并进行特征分类,识别行为类别。在ADL和UCF Sports两个国际上通用的人体行为数据集上进行人体行为识别实验,实验结果表明,该方法的识别率高于现有的人体行为识别方法,对不同人体行为的区分能力更强。
【图文】：

计算机工程与设计２０１７年多类ＳＶＭ分类器的人体行为识别方法，设计思路是：将目前二维图像处理领域性能优异的ＭＡＣＨ滤波器［１０］应用于描述视频片段的三维时空体，提取视频片段的三维时空相关体。然后在三层最大池化滤波的基础上，再采用高斯隶属函数构建归一化的池化特征，扩展特征容量，提高特征对不同行为的区分能力。另外在分类阶段直接训练一个多类ＳＶＭ分类器，与级联二值ＳＶＭ分类器的方式相比提高了分类器的训练和识别效率。１本文方法本文方法的实现流程如图１所示。其中，在训练阶段，先构建ＭＡＣＨ滤波器组、高斯模糊集中心及宽度参数集和多类ＳＶＭ分类器。在识别阶段，先用已构建的ＭＡＣＨ滤波器组对视频片段的三维时空体进行滤波，得到时空相关体。然后采用三层最大池化方法提取特征向量，并结合已构建的高斯模糊集中心及宽度参数集和高斯隶属函数对池化特征进行归一化，扩展特征向量。最后采用已构建的多类ＳＶＭ分类器进行特征分类，得到行为识别结果。其详细实现过程描述如下。图１本文方法实现流程１．１滤波器训练ＭＡＣＨ滤波器是一种相关滤波器，通过优化４个测度来构建，这４个测度包括平均相关高度、平均相关能量、平均相似测度和输出噪声变量［１０］。该滤波器目前已广泛应用于掌纹识别、人脸识别等二维图像处理领域。人体行为识别一般不是基于单一二维图像进行的，而是基于视频片段进行的。视频片段可以看作是一个三维矩阵，由二维空间轴加上一维时间轴组成，可以表示为Ｓ＝｛ｆｔ（ｘ，ｙ）０≤ｘ≤Ｐ－１，０≤ｙ≤Ｑ－１，０≤ｔ≤Ｒ－１｝（１）在本文中，ｆｔ（ｘ，

价算法的性能，识别率定义为识别率＝分类正确的视频片段数量视频片段总数×１００％（２０）下面分别介绍两个人体行为数据集下的实验结果，然后对行为识别算法性能进行综合评价。２．２ＡＤＬ行为数据集实验结果ＡＤＬ数据集中每一类行为都是１５个视频片段，本文选用每一类行为的前５个视频片段进行训练，，构建ＭＡＣＨ滤波器组、高斯模糊集中心及宽度参数集和多类ＳＶＭ分类器。然后用每一类行为剩余的１２个视频片段进行行为识别测试。本文算法得到的分类混淆如图３所示。图３ＡＤＬ数据集下本文算法的分类混淆目前在ＡＤＬ数据集上行为分类识别率排在前两位的算法见文献［２，７］，表１展示了本文算法的识别率与这两种算法识别率的对比，其中，引用文献的识别率结果出自对应文献。表１ＡＤＬ数据集的识别率结果算法识别率／％文献［２］方法９１．０文献［７］方法９６．０本文方法９６．０２．３ＵＣＦＳｐｏｒｔｓ行为数据集实验结果ＵＣＦＳｐｏｒｔｓ数据集中每一类行为的视频片段数量不同，本文仍选用每一类行为的前５个视频片段进行训练，剩余视频片段进行行为识别测试。本文算法得到的分类混淆如图４所示。目前在ＵＣＦＳｐｏｒｔｓ数据集上行为分类识别率排在前两位的算法见文献［３，８］，表２展示了本文算法的识别率与这两个算法识别率的对比，同样地，引用文献的识别率结·３４３４·

【相似文献】

相关期刊论文 前10条

1 李宁;须德;傅晓英;袁玲;;结合人体运动特征的行为识别[J];北京交通大学学报;2009年02期

2 张伟东;陈峰;徐文立;杜友田;;基于阶层多观测模型的多人行为识别[J];清华大学学报(自然科学版);2009年07期

3 吴联世;夏利民;罗大庸;;人的交互行为识别与理解研究综述[J];计算机应用与软件;2011年11期

4 申晓霞;张桦;高赞;薛彦兵;徐光平;;一种鲁棒的基于深度数据的行为识别算法[J];光电子.激光;2013年08期

5 郑胤;陈权崎;章毓晋;;深度学习及其在目标和行为识别中的新进展[J];中国图象图形学报;2014年02期

6 曾青松;余明辉;贺卫国;李玲;;一种行为识别的新方法[J];昆明理工大学学报(理工版);2009年06期

7 谷军霞;丁晓青;王生进;;基于人体行为3D模型的2D行为识别[J];自动化学报;2010年01期

8 李英杰;尹怡欣;邓飞;;一种有效的行为识别视频特征[J];计算机应用;2011年02期

9 王新旭;;基于视觉的人体行为识别研究[J];中国新通信;2012年21期

10 王忠民;曹栋;;坐标转换在移动用户行为识别中的应用[J];北京邮电大学学报;2014年S1期

相关会议论文 前6条

1 苗强;周兴社;於志文;倪红波;;一种非觉察式的睡眠行为识别技术研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

2 齐娟;陈益强;刘军发;;基于多模信息感知与融合的行为识别[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

3 黄紫藤;吴玲达;;监控视频中简单人物行为识别研究[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

4 安国成;罗志强;李洪研;;改进运动历史图的异常行为识别算法[A];第八届中国智能交通年会优秀论文集——智能交通与安全[C];2013年

5 刘威;李石坚;潘纲;;uRecorder:基于位置的社会行为自动日志[A];第18届全国多媒体学术会议（NCMT2009）、第5届全国人机交互学术会议（CHCI2009）、第5届全国普适计算学术会议（PCC2009）论文集[C];2009年

6 左南;李涓子;唐杰;;基于SVM的肖像照片抽取[A];第三届全国信息检索与内容安全学术会议论文集[C];2007年

相关博士学位论文 前10条

1 邵延华;基于计算机视觉的人体行为识别研究[D];重庆大学;2015年

2 仝钰;基于条件随机场的智能家居行为识别研究[D];大连海事大学;2015年

3 冯银付;多模态人体行为识别技术研究[D];浙江大学;2015年

4 姜新波;基于三维骨架序列的人体行为识别研究[D];山东大学;2015年

5 裴利沈;视频中人体行为识别若干问题研究[D];电子科技大学;2016年

6 周同驰;行为识别中基于局部时空关系的特征模型研究[D];东南大学;2016年

7 徐海燕;复杂环境下行为识别特征提取方法研究[D];东南大学;2016年

8 吴云鹏;集体行为的识别与仿真研究[D];郑州大学;2017年

9 何卫华;人体行为识别关键技术研究[D];重庆大学;2012年

10 吴秋霞;复杂场景下的人体行为识别[D];华南理工大学;2012年

相关硕士学位论文 前10条

1 唐小琴;基于全局和局部运动模式的人体行为识别研究[D];西南大学;2015年

2 陈钰昕;基于时空特性的人体行为识别研究[D];燕山大学;2015年

3 任亮;智能车环境下车辆典型行为识别方法研究[D];长安大学;2015年

4 金泽豪;并行化的人体行为识别方法研究与实现[D];华南理工大学;2015年

5 王露;基于稀疏时空特征的人体行为识别研究[D];苏州大学;2015年

6 于静;基于物品信息和人体深度信息的行为识别研究[D];山东大学;2015年

7 章瑜;人体运动行为识别相关方法研究[D];南京师范大学;2015年

8 赵扬;家庭智能空间下基于行走轨迹的人体行为理解[D];山东大学;2015年

9 王晓龙;基于轨迹分析的暴力行为识别算法研究[D];上海交通大学;2015年

10 张伟;智能空间下基于非视觉传感器数据的人体行为识别方法研究[D];山东大学;2015年

本文编号：2576107