视频序列中人体行为的低秩表达与识别方法研究

发布时间：2017-04-09 16:25

  本文关键词：视频序列中人体行为的低秩表达与识别方法研究，，由笔耕文化传播整理发布。

【摘要】：人体行为识别是计算机视觉领域内一个非常活跃的研究方向,具有十分重要的理论研究价值和广泛的应用场景,比如智能视频监控、视频检索、智能监护和人机交互等。近年来,人们已提出了大量方法,从不同角度解释和处理人体行为识别问题。尽管这些方法已取得了一定成果,然而由于人体行为本身以及所处环境的复杂性,行为识别技术中还存在很多问题值得深入研究。人体行为识别通常被看作是一个模式分类问题,主要包括行为特征提取与表达和行为分类两大部分。论文以包含人体行为的视频序列为研究对象,分析了现有行为识别方法的特点和不足,并针对这些不足,对行为特征提取与表达及相关行为识别方法进行了深入研究,提出了一些新的解决思路和方法。论文首先提出了人体行为低秩特征,随后提出了累加边缘分布直方图的特征表达方法;然后针对如何增强行为低秩特征抗背景干扰的能力及捕获时间信息的能力提出了两种改进方法,并对相应的行为识别方法进行了深入研究,提出了新的判别部件学习模型和字典学习模型。最后在三个具有代表性的行为数据库上验证了论文提出方法的有效性。论文的主要贡献和创新点归纳如下:①提出了运用行为低秩特征提取视频序列中行为信息的方法,并确定了可行规则化参数及其计算公式。传统行为特征提取通常需要人体目标的检测、分割、跟踪或兴趣点检测等预处理步骤,而这些处理步骤本身还存在不少困难未被解决,其产生的处理误差也会传递到后续的行为分类当中。相比传统行为特征,行为低秩特征的提取方式更加简洁,有效地避免了上述预处理步骤。然而在行为低秩特征的提取过程中,传统规则化参数难以有效提取出视频序列中的行为信息;为此进行了大量实验研究,并最终确定了可行的规则化参数及其计算公式。实验表明本文确定的规则化参数的特征提取效果远好于传统规则化参数。②提出了累加边缘分布直方图的行为低秩特征表达方法。由于行为低秩特征自身的特性,传统的特征表达方法难以有效描述出其中的行为信息。研究发现行为低秩特征中的边缘信息可以很好地克服行为执行者服装灰度信息带来的影响;同时视频序列中的人体运动也会产生相应的边缘信息。因此首先提取行为低秩特征的边缘信息,然后对边缘信息的分布进行统计,并最终形成累加边缘分布直方图的行为低秩特征表达。在三个基准数据库上的实验表明,累加边缘分布直方图比其他传统特征表达方法更适合用于表达行为低秩特征。③提出了一种基于行为低秩特征中判别部件学习的行为识别方法。判别部件学习与行为低秩特征具有很强的互补性。从行为低秩特征中学习判别部件,能有效增强行为低秩特征的抗背景干扰能力,同时又能极大程度地克服传统部件学习中的“背景记忆”问题。然而传统的部件学习方法通常是对所有行为类学习相同数量的判别部件,忽略了各行为类之间识别难易程度的差异。为此提出了一种灵活数量判别部件学习模型,该模型可以针对不同行为类学习灵活数量的判别部件。在该模型中定义了新的相似性约束,更加有利于判别部件检测器的产生;同时运用组稀疏规则化方法自动保留每个行为类别中判别力强的部件检测器。实验结果表明了提出的判别部件学习模型的有效性,以及相应的行为识别方法具有更优的识别性能。④提出了一种基于时序行为低秩特征和字典学习的行为识别方法。为捕获视频序列中的时间信息,研究了时序行为低秩特征。首先将整个视频序列按一定重叠率划分为多个行为子序列,然后分别提取行为低秩特征,最终按时间顺序将其串联形成时序行为低秩特征。研究发现时序行为低秩特征更适合通过字典学习来进行分类。然而传统的字典学习模型未考虑各样本编码系数的相似性约束问题,同时难以很好处理非线性可分数据。为此,提出了一种相似性约束的判别核字典学习模型。该字典学习模型中加入了相似性约束以约束各行为样本的编码系数,进而训练出性能更好的分类器;同时引入了核映射方法,以增强模型处理非线性可分数据的能力。实验结果表明了提出的字典学习模型及相应的行为识别方法的有效性。
【关键词】：行为识别 行为低秩特征 判别部件学习 时序低秩特征 字典学习
【学位授予单位】：重庆大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41
【目录】：

• 中文摘要3-5
• 英文摘要5-10
• 1 绪论10-34
• 1.1 论文的研究背景和意义10-13
• 1.2 人体行为识别的定义及描述13-14
• 1.3 研究现状概述14-24
• 1.3.1 行为特征提取与表达14-22
• 1.3.2 行为分类方法22-24
• 1.4 研究热点及发展趋势24-26
• 1.5 人体行为数据库26-29
• 1.6 论文研究内容与结构安排29-34
• 2 视频序列中的行为低秩特征提取34-50
• 2.1 引言34-36
• 2.2 鲁棒主成分分析36-38
• 2.3 行为视频序列的低秩分解38-40
• 2.4 人体行为低秩特征提取40-48
• 2.4.1 可行的规则化参数分析40-45
• 2.4.2 行为低秩特征提取实验45-48
• 2.5 本章小结48-50
• 3 行为低秩特征的累加边缘分布直方图表达50-64
• 3.1 引言50-51
• 3.2 累加边缘分布直方图51-54
• 3.3 实验与分析54-62
• 3.3.1 实验设计54-56
• 3.3.2 实验结果56-59
• 3.3.3 对比实验分析59-62
• 3.4 本章小结62-64
• 4 基于行为低秩特征中判别部件学习的行为识别64-82
• 4.1 引言64-66
• 4.2 基于行为低秩特征中判别部件学习的行为识别66-73
• 4.2.1 行为低秩特征的稠密采样67-68
• 4.2.2 行为低秩特征中的判别部件学习68-69
• 4.2.3 模型求解方法69-72
• 4.2.4 行为分类准则72-73
• 4.3 实实验与分析73-81
• 4.3.1 实验设计73-74
• 4.3.2 实验结果74-78
• 4.3.3 对比实验分析78-81
• 4.4 本章小结81-82
• 5 基于时序行为低秩特征和字典学习的行为识别82-96
• 5.1 引言82-83
• 5.2 基于时序行为低秩特征和字典学习的行为识别83-88
• 5.2.1 时序行为低秩特征84
• 5.2.2 相似性约束的判别核字典学习84-86
• 5.2.3 模型求解方法86-88
• 5.2.4 行为分类准则88
• 5.3 实验与分析88-94
• 5.3.1 实验设计88
• 5.3.2 实验结果88-90
• 5.3.3 对比实验分析90-94
• 5.4 本章小结94-96
• 6 总结与展望96-100
• 6.1 论文总结96-97
• 6.2 工作展望97-100
• 致谢100-102
• 参考文献102-116
• 附录116
• A. 作者在攻读博士学位期间发表论文情况116
• B. 作者在攻读博士学位期间主持或参与的科研项目116

【相似文献】

中国期刊全文数据库 前10条

1 施水才;俞鸿魁;吕学强;李渝勤;;基于大规模语料的新词语识别方法[J];山东大学学报(理学版);2006年03期

2 苏家洪;;试述人脸识别新技术及编辑识别方法[J];中国新技术新产品;2012年07期

3 高春庚;孙建国;;基于统计的人脸识别方法综述[J];安阳工学院学报;2012年04期

4 马彬;洪宇;杨雪蓉;姚建民;朱巧明;;基于语义依存线索的事件关系识别方法研究[J];北京大学学报(自然科学版);2013年01期

5 马彬;洪宇;杨雪蓉;姚建民;朱巧明;;基于推理线索构建的事件关系识别方法[J];北京大学学报(自然科学版);2014年01期

6 吕冬梅,刘燕萍,李云凯;一个新的机械图纸识别方法[J];信息技术;2001年03期

7 刘志鹏,魏君;基于神经网络的集装箱编号识别方法的研究[J];中国包装工业;2002年09期

8 贺敏;龚才春;张华平;程学旗;;一种基于大规模语料的新词识别方法[J];计算机工程与应用;2007年21期

9 董世都;黄同愿;王华秋;王森;杨小帆;;半边人脸识别方法[J];计算机工程;2008年07期

10 方晓春;;一种优化的角色识别方法[J];计算机应用与软件;2009年04期

中国重要会议论文全文数据库 前10条

1 郑凯;;建立多维数据异常点识别方法的尝试[A];第八届全国体育科学大会论文摘要汇编（一）[C];2007年

2 张朋柱;韩崇昭;万百五;;智能决策支持系统中的问题识别方法与实现[A];全国青年管理科学与系统科学论文集（第2卷）[C];1993年

3 刘丽兰;刘宏昭;;时间序列模型的识别方法[A];制造技术自动化学术会议论文集[C];2004年

4 苗振伟;许勇;杨军;;超声波人脸识别方法研究[A];中国声学学会2007年青年学术会议论文集（上）[C];2007年

5 罗智勇;宋柔;荀恩东;;一种基于可信度的人名识别方法[A];第二届全国学生计算语言学研讨会论文集[C];2004年

6 张茜;郑峥;亢一澜;王娟;仇巍;;基于海量实测数据的反演识别方法与盾构装备载荷的力学建模[A];中国力学大会——2013论文摘要集[C];2013年

7 赵锐;陈光发;;军事口令识别的Fuzzy方法探讨[A];第二届全国人机语音通讯学术会议论文集[C];1992年

8 骆玉荣;刘建丽;史晓涛;;一种自动车窗识别方法的设计与实现[A];计算机技术与应用进展·2007——全国第18届计算机技术与应用（CACIS）学术会议论文集[C];2007年

9 崔凯华;王国庆;方剑青;李红军;贾俊波;马超;赵烨;张东辉;;基于声模态分析的材料识别方法研究[A];现代振动与噪声技术（第九卷）[C];2011年

10 李洪东;梁逸曾;张志敏;;酵母蛋白组中原生肽识别方法的探索研究[A];中国化学会第26届学术年会化学信息学与化学计量学分会场论文集[C];2008年

中国重要报纸全文数据库 前9条

1 陈春道;甲鱼优劣及雌雄的识别方法[N];北京科技报;2003年

2 庞席堂;假币的识别方法[N];中华合作时报;2003年

3 王修增;手机被盗号的6种识别方法[N];中国保险报;2003年

4 张侃;正品手机电池识别方法[N];通信产业报;2000年

5 潘 治;德国开发出癌症早期识别方法[N];中国中医药报;2003年

6 新华社记者 段世文;产权证识别方法[N];新华每日电讯;2001年

7 金亮;机器人的情感[N];中国医药报;2001年

8 黄璐;识别假火车票有绝招[N];山西经济日报;2004年

9 宗绍纯;如何识别是纯奶还是奶饮料？[N];国际商报;2003年

中国博士学位论文全文数据库 前10条

1 赵国腾;跨座式单轨交通轨道梁表面裂纹识别方法研究[D];重庆大学;2015年

2 徐训;线性与非线性结构动力荷载识别方法及实验研究[D];哈尔滨工业大学;2015年

3 付文亮;基于FPGA的高性能应用层协议识别方法研究[D];北京理工大学;2015年

4 陈飞飞;基于特征表示的行为识别方法研究[D];华中科技大学;2015年

5 黄仕建;视频序列中人体行为的低秩表达与识别方法研究[D];重庆大学;2015年

6 张莉莉;竞优特征的群识别方法及其应用[D];东北大学;2010年

7 陈绵书;计算机人脸识别方法研究[D];吉林大学;2004年

8 叶俊勇;人脸检测与识别方法研究[D];重庆大学;2002年

9 何光辉;四种人脸识别方法研究[D];重庆大学;2010年

10 佟丽娜;基于力学量信息获取系统的人体摔倒过程识别方法研究[D];中国科学技术大学;2011年

中国硕士学位论文全文数据库 前10条

1 徐珂琼;基于视频的人脸识别方法研究[D];天津理工大学;2015年

2 彭姣丽;针对多表情的人脸识别方法研究[D];昆明理工大学;2015年

3 代秀丽;基于半监督判别分析的人脸识别方法研究[D];深圳大学;2015年

4 易磊;基于两阶段的交通标志识别方法研究[D];南京理工大学;2015年

5 李彦;基于小波变换的人脸识别方法研究[D];电子科技大学;2014年

6 田晓霞;运动想象EEG的识别方法及在上肢康复中的应用[D];北京工业大学;2015年

7 杨俊涛;基于分数谱时频特征的SAR目标检测与识别方法研究[D];电子科技大学;2014年

8 宋洪伟;基于模糊集合的汉语主观句识别方法研究与实现[D];黑龙江大学;2015年

9 贾博轩;基于手机传感器的人类复杂行为识别方法的研究[D];黑龙江大学;2015年

10 范玲;Link-11数据链信号的识别方法研究[D];西安电子科技大学;2014年

  本文关键词：视频序列中人体行为的低秩表达与识别方法研究，由笔耕文化传播整理发布。

本文编号：295673