基于新特性非负矩阵分解方法的行为识别研究

发布时间：2023-06-03 23:25

　　非负矩阵分解是一种理想的数据降维方法,它要求因子矩阵的元素必须是非负的,即所有元素必须等于或大于零。这种非负约束导致NMF是一个基于部分的表示,符合人脑局部构成整体的认知过程。因而,对图像处理,分类和聚类来讲是一种有用的学习技术。本文经过对已有NMF方法的深入研究,提出了两种新特性的NMF方法,并应用于视频人体行为识别的研究中。(1)提出了一种秩正则化和局部加权约束的非负矩阵分解NMF_RRLWC方法。该方法构造了局部加权约束项和秩正则化项两个约束项,并将其应用于运动轨迹聚类中。局部加权约束项依据原始数据样本与聚类中心间的距离相似性构造了一个加权算子。秩正则化约束保证了分解结果具有一定的稀疏性,同时又不因过于严格的稀疏而影响数据的流形结构。实验结果表明这两个约束项的添加可以得到较好的聚类效果。文中给出了该方法的更新规则和收敛性证明。在聚类实验中,NMF_RRLWC能很好地拟合出运动主体所在的区域,从而保证可将位于背景中的轨迹剔除。(2)提出了一种时间平滑和秩正则化约束的非负矩阵分解TSRRC_NMF方法用于时间子空间聚类,即视...

【文章页数】：71 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要工作及章节安排
第二章 非负矩阵分解与行为识别基本理论
    2.1 引言
    2.2 非负矩阵分解方法
        2.2.1 问题描述
        2.2.2 目标函数
        2.2.3 迭代更新规则
    2.3 各种非负矩阵分解改进方法
    2.4 行为识别相关理论
        2.4.1 视频行为表示方法
        2.4.2 行为识别的相关数据库介绍
    2.5 本章小结
第三章 秩正则化和局部加权约束非负矩阵分解方法
    3.1 引言
    3.2 本文秩正则化和局部加权约束非负矩阵分解
        3.2.1 数学模型
        3.2.2 求解方法和更新规则
        3.2.3 收敛性证明
    3.3 获取视频中的运动显著性区域
    3.4 实验与分析
        3.4.1 秩正则化和局部加权约束非负矩阵分解方法的收敛性
        3.4.2 聚类结果对比实验
    3.5 本章小结
第四章 复杂行为识别
    4.1 引言
    4.2 时间平滑和秩正则化约束的非负矩阵分解用于时间子空间聚类
        4.2.1 数学模型
        4.2.2 迭代规则
        4.2.3 收敛性证明
    4.3 视频行为分割
    4.4 实验与分析
        4.4.1 时间平滑和秩正则化约束的非负矩阵分解方法的收敛性
        4.4.2 参数选择
        4.4.3 视频行为分割
        4.4.4 复杂行为识别
    4.5 本章小结
第五章 总结与展望
    5.1 全文总结
    5.2 研究展望
参考文献
致谢
作者简介



本文编号：3830241