一種改進(jìn)隱條件隨機(jī)場模型的行為識別方法.pdf

1、人體行為識別由于其廣泛的應(yīng)用前景以及潛在的社會、經(jīng)濟(jì)價值，已經(jīng)成為計算機(jī)視覺領(lǐng)域中備受關(guān)注的前沿方向之一，吸引了國內(nèi)外眾多研究人員投入其中進(jìn)行深入地研究并取得了大量的研究成果，然而視頻特征提取計算復(fù)雜度與行為識別準(zhǔn)確率之間的矛盾仍未得到有效解決。人體的行為過程是一個隨時間連續(xù)變化的動態(tài)過程，并且具有一定的周期性，由此得到的數(shù)據(jù)流所產(chǎn)生的觀測序列在不同時刻具備一定程度上的相似性，單層學(xué)習(xí)模型無法對觀測序列在時間粗粒度上的這種相似性進(jìn)行有效

2、地描述；層次學(xué)習(xí)模型能夠獲得較好的高層抽象特征表達(dá)，但是建模過程復(fù)雜度高。本文在總結(jié)和分析目前國內(nèi)外常用人體行為識別方法的基礎(chǔ)上，針對上述問題做了如下工作：
　　1.總結(jié)了目前國內(nèi)外常用的運動目標(biāo)檢測方法，分析了各種運動目標(biāo)檢測方法的優(yōu)缺點，提出一種新的特征提取方法：1)利用混合高斯模型對原始輸入視頻進(jìn)行建模，提取出運動目標(biāo)的前景二值圖像并求取前景二值圖像的質(zhì)心坐標(biāo)；2)以質(zhì)心坐標(biāo)為中心在該前景二值圖像對應(yīng)的原始視頻幀圖像上定位前

3、景塊，采用3層金字塔結(jié)構(gòu)提取前景塊的金字塔方向梯度直方圖(Pyramid of Histograms of Orientation Gradients，PHOG)特征作為該幀圖像的特征向量；3)整段視頻做同樣處理后，得到原始視頻所對應(yīng)的時序性觀測序列。本文特征提取方法顯著減少了背景的邊緣信息對圖像特征表達(dá)造成的干擾。
　　2.采用層次序列總結(jié)隱條件隨機(jī)場(Hierarchical Sequence Summarization Hi

4、dden Conditional Random Field，HSSHCRF)模型對時序性觀測序列進(jìn)行建模，通過層次序列總結(jié)的方式來捕獲時序性觀測序列中復(fù)雜的時空動態(tài)信息，即通過交替進(jìn)行序列學(xué)習(xí)和序列總結(jié)，動態(tài)且遞歸地建立一個層次結(jié)構(gòu)。就序列學(xué)習(xí)而言，使用隱條件隨機(jī)場(Hidden Conditional Random Field，HCRF)模型學(xué)習(xí)潛在的時空動態(tài)信息；序列總結(jié)就是把隱狀態(tài)空間中具有相似語義信息的觀測值歸為一組。對于層次結(jié)

5、構(gòu)中的每一層，通過非線性門函數(shù)來學(xué)習(xí)特征的抽象表達(dá)，重復(fù)這個過程可以獲得觀測序列經(jīng)過層次學(xué)習(xí)總結(jié)的高層抽象表達(dá)，有效保留底層變量組細(xì)節(jié)的同時也提高了高層變量組的判別能力，并且通過一種高效的學(xué)習(xí)方法進(jìn)行模型訓(xùn)練，模型的時間復(fù)雜度隨著層次結(jié)構(gòu)的增加僅呈亞線性增長。
　　在經(jīng)典的行為識別視頻數(shù)據(jù)庫上進(jìn)行本文行為識別方法的驗證，同時對實驗結(jié)果進(jìn)行了分析和對比，從實驗結(jié)果可以看出本文有效地緩解了視頻特征提取計算復(fù)雜度與行為識別準(zhǔn)確率之間的矛