基于近似核心最小类偏差极限学习机的动作识别方法研究

发布时间：2023-04-24 23:08

　　如今,人体动作识别有着比较长的发展历程,而且在当今人工智能大发展的前提下,它也得到了越来越多的关注,例如人机交互、机器视觉和基于内容视频的检索等。它在各个领域都有着很大的应用,可以对人体的动作进行探测和识别,最终识别出目标的动作行为,甚至可以预测目标接下来的行为,这对人物犯罪监察探测有着非常重要的意义。由于人体动作识别的探测目标数据集大多是使用数据信息量大的摄像头,甚至有可能是使用高速摄像头的数据,所以这给人体动作识别带来了非常大的计算量。针对上诉的问题,我们在本文提出了一种新型的多视角动作识别的方法,这可以很好的解决视频数据量大而带来识别难度大的问题。首先,本文使用了一种快速高效的动作特征提取方法,它叫做模糊特征提取。其中,文章所研讨的是关于多视角的人体动作识别方法,而模糊特征提取对多视角的动作特征的提取是有着非良好的效果。此方法在最初,需要对视频的全局的图片(即对视频中每个动作类中的每张图片)进行模糊化处理,然后将模糊化处理后的特征图片进行k-means聚类,以此来生成我们对于分类算法的训练或者识别所需要的特征模型。除此之外,我们还针对了多视角人体动作识别提出了一种新型的算法,它是...

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 人体动作识别的研究及意义
    1.2 国内外研究现状
    1.3 本文主要研究的内容
    1.4 论文组织结构
第二章 人体动作特征提取和动作识别方法
    2.1 人体动作特征的提取方法
        2.1.1 剪影轮廓特征
        2.1.2 光流特征
        2.1.3 方向梯度直方图特征
        2.1.4 深度学习特征
    2.2 人体动作识别方法
        2.2.1 模板匹配法
        2.2.2 支持向量机分类法
        2.2.3 极限学习机分类法
    2.3 本章小结
第三章 多视角人体动作识别特征提取及识别相关理论
    3.1 感兴趣区域特征的提取
        3.1.1 基于拐点的ROI特征提取方法
        3.1.2 基于灰度变化的ROI特征提取方法
    3.2 K-means聚类算法
        3.2.1 K-means算法
        3.2.2 K-means算法的优缺点
    3.3 主要成分分析
    3.4 本章小结
第四章 多视角人体动作识别的最小类偏差极限学习机算法的理论分析
    4.1 多视角动作视频特征
    4.2 最小类偏差极限学习机算法(MCVELM)
    4.3 最小类偏差极限学习机算法(MCVELM)的缺点
    4.4 本章小结
第五章 基于近似核心最小类偏差极限学习机的多视角人体动作识别方法
    5.1 模糊向量特征提取方法
    5.2 近似核心最小类偏差极限学习机算法(MCVAKELM)
    5.3 本章小结
第六章 实验及评价
    6.1 KTH数据集
    6.2 UCF Sports数据集
    6.3 单视角人体动作识别实验及分析
    6.4 多视角人体动作识别实验及分析
    6.5 本章小结
总结与展望
参考文献
攻读学位期间学术成果
致谢



本文编号：3800203