一種基于判別式聚類的人體行為識(shí)別方法.pdf

1、人體行為識(shí)別與視頻分類領(lǐng)域，研究投入逐年增大。近年來(lái)，相關(guān)產(chǎn)業(yè)發(fā)展迅猛，如視頻監(jiān)控、智能安防和人機(jī)交互等，人體行為識(shí)別與視頻分類技術(shù)在不久的將來(lái)還將有著更廣闊的市場(chǎng)空間和應(yīng)用前景。行為識(shí)別算法涉及視頻數(shù)據(jù)預(yù)處理、特征提取、特征編碼、數(shù)據(jù)降維、聚類分析、模型學(xué)習(xí)等諸多領(lǐng)域。當(dāng)下行為識(shí)別的研究重心逐漸從底層特征設(shè)計(jì)轉(zhuǎn)移到模型搭建和中層語(yǔ)義特征提取上。本文從中層語(yǔ)義特征角度，對(duì)已有研究成果與現(xiàn)存問(wèn)題予以比較分析和歸納總結(jié)，并做出以下工作：

2、r>　　首先，本文概括分析了行為識(shí)別中常見(jiàn)的聚類分析算法，針對(duì)經(jīng)典聚類分析算法對(duì)初值敏感、聚類中心數(shù)目需要人為設(shè)定、算法易陷入局部極值、采用歐氏距離不能準(zhǔn)確度量特征相似度等問(wèn)題，給出了一種基于類別的層次聚類分析算法。聚類的目的是為了讓特征空間中聚類團(tuán)簇的類內(nèi)聚合度高而類間差異度大，為此，算法計(jì)算每一類行為在不同聚類中心數(shù)目下，類內(nèi)與類間聚類團(tuán)簇的相似指標(biāo)。本文通過(guò)分析隨聚類中心數(shù)目改變，相似度指標(biāo)的變化趨勢(shì)，獲得類內(nèi)聚合度、類間差異度的

3、平衡點(diǎn)，這個(gè)平衡點(diǎn)對(duì)應(yīng)的聚類中心數(shù)目就是本文自適應(yīng)聚類分析算法得到的聚類中心數(shù)目。
　　其次，筆者還構(gòu)建了判別式聚類分析算法。由于，底層特征、局部特征對(duì)視頻描述力有限，有效信息被淹沒(méi)在海量的冗余數(shù)據(jù)之中，因此對(duì)底層信息的總結(jié)提煉緊迫且重要。為獲取更加有效的中層語(yǔ)義特征，本文提出了判別式聚類分析算法。算法剔除既有聚類團(tuán)簇中的奇異點(diǎn)，使聚類中心支撐點(diǎn)純粹度更高。同時(shí)，算法對(duì)聚類團(tuán)簇的支撐點(diǎn)數(shù)目提出要求，聚類團(tuán)簇中隸屬于某一行為類別的支

4、撐點(diǎn)數(shù)目越少，則團(tuán)簇聚類中心對(duì)應(yīng)該行為的代表性越弱，算法剔除該聚類中心。因此，添加聚類中心支撐點(diǎn)在對(duì)應(yīng)類別的數(shù)目約束可以強(qiáng)化聚類中心的表達(dá)能力。此外，在迭代過(guò)程中，本文算法還將不斷削去判別性不足的聚類中心及其支撐點(diǎn)。本文判別式聚類分析算法所求取的聚類中心避免了經(jīng)典聚類分析算法的弊端，還具有更加優(yōu)異的判別性、表達(dá)性和行為類別純粹性。
　　再次，本文設(shè)計(jì)了聯(lián)合三層語(yǔ)義特征的分類模型，即添加類別約束的隱變量支持向量機(jī)(CC-LSVM，C

5、ategory Constraint Latent Value Support Vector Machine)分類器。為優(yōu)化底層特征、中層語(yǔ)義特征的識(shí)別結(jié)果，本文有針對(duì)性的提出了高層語(yǔ)義特征。因?yàn)?，底層特征進(jìn)行行為識(shí)別和視頻分類是非語(yǔ)義信息到語(yǔ)義信息的跨越，所以，這種跨越易產(chǎn)生“語(yǔ)義鴻溝”。為連接“語(yǔ)義鴻溝”，論文給出了中層語(yǔ)義特征的構(gòu)建方法。為建立語(yǔ)義關(guān)聯(lián)，本文提出了能夠綜合運(yùn)用三層語(yǔ)義信息的判別模型CC-LSVM，實(shí)現(xiàn)多層語(yǔ)義行為分