面向语义理解的行为识别研究

发布时间：2021-11-24 12:34

　　随着网络的蓬勃发展和监控设备的广泛普及,有限的人力资源渐渐难以应对海量的影像数据。所以,越来越多的人期望通过行为识别技术,检测和识别图像或视频中人类的姿态、动作和表情等信息,让计算机可以智能的理解、学习和模仿人类的行为。因此,针对图像和视频数据中的人类行为的识别和理解逐渐成为了计算机视觉领域的一大热点问题。由于人类行为的发生过程中存在着表观形态差异性大、非刚性形变建模困难、局部肢体遮挡严重、以及底层的视觉特征到高层的语义特征之间的语义鸿沟等障碍,导致行为识别技术难以提取到鲁棒而有效的时空表达特征。同时对于有交互的人类行为识别需要对上下文信息和交互环境进行理解,现有算法难以构建具有语义分析和逻辑理解能力的模型。因此,如何构建鲁棒的时空特征表达和有效的语义理解模型,是解决计算机识别人类行为的关键问题。近年来,随着机器学习和计算机视觉等技术的发展,行为识别技术在学术界和工业界都取得了一定的进展,但是仍旧存在着一些问题:1)如何提取鲁棒的局部时空特征是行为识别任务中最基础也是最重要的;2)如何提取时空特征中的上下文信息,构建有效的语义解析模型是行为识别任务的关键;3)如何发掘时空特征之间时序关... 

【文章来源】：中国科学院大学(中国科学院西安光学精密机械研究所)陕西省

【文章页数】：133 页

【学位级别】：博士

【部分图文】：

人类行为的类别示意图

第2章行为识别算法综述13模板定位关键区域并过滤掉兴趣点周围运动的或遮挡的背景。Yilmaz和Shah[17]提出了基于时空卷（Space-TimeVolume，STV）特征中不同属性的行为识别算法，将个体的轮廓在时间维度堆叠到一起，这样一个行为可以通过一组连续的STV特征表面来表示。受到对象银行（ObjectBank）[18]的启法，Sadanand和Corso等图2.1MHI与MEI模板示意图。上：跳跃的视频序列；中：与视频序列对应的MEI模板；下：与视频序列对应的MHI模板图2.2时空卷特征示意图Figure2.1MHIandMEItemplate.Top:Ajumpingsequence.Middle:TheMEItemplate.Bottom:TheMHItemplate.Figure2.2Thespace-timevolumes

第2章行为识别算法综述13模板定位关键区域并过滤掉兴趣点周围运动的或遮挡的背景。Yilmaz和Shah[17]提出了基于时空卷（Space-TimeVolume，STV）特征中不同属性的行为识别算法，将个体的轮廓在时间维度堆叠到一起，这样一个行为可以通过一组连续的STV特征表面来表示。受到对象银行（ObjectBank）[18]的启法，Sadanand和Corso等图2.1MHI与MEI模板示意图。上：跳跃的视频序列；中：与视频序列对应的MEI模板；下：与视频序列对应的MHI模板图2.2时空卷特征示意图Figure2.1MHIandMEItemplate.Top:Ajumpingsequence.Middle:TheMEItemplate.Bottom:TheMHItemplate.Figure2.2Thespace-timevolumes

【参考文献】：
期刊论文
[1]新一代人工智能发展规划[J].   科技创新与生产力. 2017(08)
[2]公安系统天网工程瓶颈及未来展望[J]. 郎江涛.  科技与创新. 2017(09)



本文编号：3515991