一種人體行為識(shí)別的新算法.pdf

1、近年來(lái)，國(guó)內(nèi)外研究者在行為識(shí)別領(lǐng)域經(jīng)過(guò)不斷深入研究，取得了頗為顯著的成果。人體行為識(shí)別正逐漸演變成如圖像處理分析、人機(jī)交互、視頻檢索以及智能監(jiān)控等領(lǐng)域的基礎(chǔ)保障，已發(fā)展成為計(jì)算機(jī)視覺(jué)分析領(lǐng)域的研究熱點(diǎn)。然而，如何在復(fù)雜背景和攝像機(jī)運(yùn)動(dòng)等情況下提取具有豐富空間信息的特征從而提高識(shí)別效果是目前行為識(shí)別領(lǐng)域亟待解決的問(wèn)題，本文對(duì)已有的研究成果進(jìn)行細(xì)致地分析和總結(jié)，構(gòu)建了兩種用于行為識(shí)別的特征，主要工作如下：
　　1.構(gòu)建了兩種基于時(shí)空梯

2、度自相關(guān)的運(yùn)動(dòng)特征。針對(duì)現(xiàn)有行為識(shí)別方法提取到的特征對(duì)攝像頭運(yùn)動(dòng)和復(fù)雜背景引起的噪點(diǎn)較敏感，以及無(wú)法充分利用空間信息等問(wèn)題，本文在現(xiàn)有特征點(diǎn)優(yōu)化方法的基礎(chǔ)上引入曲率信息，構(gòu)建了時(shí)空梯度自相關(guān)特征(3D Feature Auto-Correlation of Gradient,3DFACOG)和光流時(shí)空梯度自相關(guān)特征(3D Feature Auto-Correlation of Optical Flow Gradient,3DFACOFG

3、)，有效地克服了攝像機(jī)運(yùn)動(dòng)和復(fù)雜背景的干擾，同時(shí)在特征中引入了豐富的運(yùn)動(dòng)和空間信息，并且具有時(shí)空不變性。為了消除不同視頻間存在的灰度變化以及光照等因素的影響，本文對(duì)提取到的特征進(jìn)行歸一化操作，使特征對(duì)旋轉(zhuǎn)、光照不敏感且增強(qiáng)了特征的運(yùn)動(dòng)描述力。
　　2.采用PCA對(duì)特征降維并改進(jìn)了詞袋模型。首先，針對(duì)視頻特征維數(shù)高冗余信息多的問(wèn)題，本文采用主成分分析法(Principal Component Analysis，PCA)對(duì)特征降維。其

4、次，本文對(duì)詞袋模型(Bag of Words，BOW)進(jìn)行了改進(jìn)，傳統(tǒng)的BOW在直方圖描述子構(gòu)建過(guò)程中，對(duì)每一維特征只選擇一個(gè)最近距離的標(biāo)號(hào)，因此偏差較大。本文直方圖描述子構(gòu)建方法對(duì)每一維特征選取三個(gè)距離最近且含有權(quán)重信息的標(biāo)號(hào)，在一定程度上減少了這一偏差。本文先利用支持向量機(jī)(Support Vector Machine，SVM)對(duì)3DFACOG、3DFACOFG以及串聯(lián)融合特征分別進(jìn)行訓(xùn)練測(cè)試，然后對(duì)3DFACOG、3DFACOFG