一種改進隱條件隨機場模型的行為識別方法.pdf_第1頁
已閱讀1頁,還剩75頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、人體行為識別由于其廣泛的應用前景以及潛在的社會、經濟價值,已經成為計算機視覺領域中備受關注的前沿方向之一,吸引了國內外眾多研究人員投入其中進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雜度與行為識別準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,單層學習模型無法對觀測序列在時間粗粒度上的這種相似性進行有效

2、地描述;層次學習模型能夠獲得較好的高層抽象特征表達,但是建模過程復雜度高。本文在總結和分析目前國內外常用人體行為識別方法的基礎上,針對上述問題做了如下工作:
  1.總結了目前國內外常用的運動目標檢測方法,分析了各種運動目標檢測方法的優(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行建模,提取出運動目標的前景二值圖像并求取前景二值圖像的質心坐標;2)以質心坐標為中心在該前景二值圖像對應的原始視頻幀圖像上定位前

3、景塊,采用3層金字塔結構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造成的干擾。
  2.采用層次序列總結隱條件隨機場(Hierarchical Sequence Summarization Hi

4、dden Conditional Random Field,HSSHCRF)模型對時序性觀測序列進行建模,通過層次序列總結的方式來捕獲時序性觀測序列中復雜的時空動態(tài)信息,即通過交替進行序列學習和序列總結,動態(tài)且遞歸地建立一個層次結構。就序列學習而言,使用隱條件隨機場(Hidden Conditional Random Field,HCRF)模型學習潛在的時空動態(tài)信息;序列總結就是把隱狀態(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

5、構中的每一層,通過非線性門函數(shù)來學習特征的抽象表達,重復這個過程可以獲得觀測序列經過層次學習總結的高層抽象表達,有效保留底層變量組細節(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習方法進行模型訓練,模型的時間復雜度隨著層次結構的增加僅呈亞線性增長。
  在經典的行為識別視頻數(shù)據(jù)庫上進行本文行為識別方法的驗證,同時對實驗結果進行了分析和對比,從實驗結果可以看出本文有效地緩解了視頻特征提取計算復雜度與行為識別準確率之間的矛

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論