基于多示例學習的動作識別與顯著性檢測研究.pdf

1、人體動作識別和物體顯著性檢測均是近年來計算機視覺領(lǐng)域的熱點研究內(nèi)容。其中,人體動作識別是視頻檢索、視頻監(jiān)控以及智能人機交互等應用的關(guān)鍵技術(shù),具有廣闊的應用前景。但由于人體的個體差異以及動作的多樣性等問題存在,人體動作識別任務(wù)依然極具挑戰(zhàn)性。物體顯著性檢測是指對圖像中具有視覺顯著性的物體區(qū)域進行檢測,對于物體檢測、圖像壓縮以及基于內(nèi)容的圖像檢索都能起到很好的幫助,具有廣泛的應用前景和重要的研究意義。
　　本文重點研究了多示例學習及其

2、優(yōu)化算法,并將其用于視頻中的人體動作識別和圖像中的物體顯著性檢測,提出了基于關(guān)鍵子段挖掘的人體動作識別方法和基于混合監(jiān)督學習的物體顯著性檢測方法。
　　本文首先提出了一種基于關(guān)鍵子段挖掘的人體動作識別方法。通過結(jié)合多示例學習算法,該方法可以自動地為每一個視頻樣本挖掘出最具判別性子段的位置和長度。另外,基于Kinect輸出的人體骨架關(guān)節(jié)點的三維坐標,本文提出了一種先進的骨架關(guān)節(jié)點特征表示,它能夠有效地捕獲視頻段中人體骨架的形狀和位移

3、信息,為人體動作識別提供一個緊湊且具有判別性的表示。實驗結(jié)果表明,本文提出的識別方法和特征表示方法有效地提升了人體動作識別的準確率。在UCF-Kinect數(shù)據(jù)集上,本文方法取得了目前最好的結(jié)果。在MSR Action3D數(shù)據(jù)集上,本文方法的識別準確率高于文獻中所用同樣只使用關(guān)節(jié)點坐標提取特征表示的識別方法。
　　本文還提出了一種基于混合監(jiān)督學習的物體顯著性檢測方法。結(jié)合監(jiān)督學習與弱監(jiān)督學習,該方法只需要對訓練集中部分圖像進行精確標