视频序列中的行为识别建模方法研究

发布时间：2024-02-02 17:23

　　视频序列中的行为识别由于应用广泛,是当前计算机视觉研究领域的一个热点。行为识别研究在受控场景下已经取得很大进展,但在复杂场景下,还存在着诸多挑战,如何在嘈杂的真实场景下,寻求有效的行为特征表示,以及高效的、鲁棒的、能满足实时处理要求的机器识别算法,将是较长时期内所追求的目标。为了提升行为识别的性能,我们做了以下几个方面的工作:1)概率隐含语义分析模型的行为识别研究概率隐含语义分析模型通过挖掘隐含于众多特征点间的共现模式,提取中间层的语义描述来表示视频中的行为,增强了特征的判别性。为了进一步提升模型的识别性能,着重研究了不同编码方法联合归一化方法对于分类性能的影响,采用稀疏时空特征时局域软分配编码结合指数归一化方法大幅提升了识别性能;还考察了主成分分析预处理原始特征对于性能的影响,在显著降低特征维度进而降低计算量的同时,当特征包含较多噪声成分的情况下性能甚至会有所提升。在KTH和UT-interaction数据库上的实验表明,编码和归一化方法的适当组合可以显著提高模型的性能。在UT-interaction数据库的两个子集上识别精度分别达到了当前最好的结果96.44%、95%,其中在数据集...

【文章页数】：120 页

【学位级别】：博士

【部分图文】：

图1-1视频中行

lRecognitionChallenge)，成为检验各类识别算法的基准。相对于静态图像的识别，在视频序列中的行为分析显然复杂很多。首先，视频处理的数据量很大，对于计算资源的要求相对较高，也对算法的优化提出了更高的要求；其次，对于视频的标注，比之图片而言有着更多的歧义性，准确的标....

图1-1视频中行

lRecognitionChallenge)，成为检验各类识别算法的基准。相对于静态图像的识别，在视频序列中的行为分析显然复杂很多。首先，视频处理的数据量很大，对于计算资源的要求相对较高，也对算法的优化提出了更高的要求；其次，对于视频的标注，比之图片而言有着更多的歧义性，准确的标....

图1-3行走的运动状态图[12]

东南大学博士学位论文6义含义，可视为更高层的语义特征，可用以建模长时间的复杂行为。目前来看，没有一个适用广泛的特征能够在所有的识别任务中均表现出色，一般来言特征表示的选择与具体的识别任务是相关的，如何找到合适的特征来表示要识别的行为，是行为识别的关键步骤。1.2.1.1.1底层特....

图1-4：MEI/MHI模板[13]示例，第一行为视频样本，中间为MEI模板，第三行为MHI模板

第一章绪论7目前广泛采用的特征可以分为两类：全局特征和局部特征。所谓全局特征，就是抽取人体行为的整体表示，即将人体作为一个整体的区域来描述，这就需要通过跟踪或者前景、背景分离等方法从视频中把人体分离出来。Bobick等[13]从视频序列中提取出剪影序列并将帧间的差异集合起来用运动....

本文编号：3892883