基于判別模式學(xué)習(xí)的人體行為識別方法研究.pdf

1、人體行為識別通過分析視頻或圖像數(shù)據(jù)，從中提取出數(shù)據(jù)中所包含的與人體行為相關(guān)的信息，建立了底層數(shù)據(jù)和高層的行為語義理解之間的橋梁。它在智能視頻監(jiān)控、人機交互、視頻索引與檢索、體育場景分析等領(lǐng)域有廣泛的應(yīng)用前景。作為一個新興的視頻和圖像理解問題，人體行為識別的研究融合了計算機視覺、模式識別和認知科學(xué)等學(xué)科的研究成果，對于行為識別的研究將對這些相關(guān)領(lǐng)域研究起到重要的推動作用。
　　由于人體行為識別研究具有廣闊的應(yīng)用前景和理論研究價值，近

2、些年來，在這個研究領(lǐng)域產(chǎn)生了豐碩的研究成果。然而，這門研究還處在啟蒙階段，已有的研究方法無論是在性能上還是在方法的完善程度上都并不令人滿意，與行為識別方法實際應(yīng)用的需求還存在著較大的差距。本文通過對行為識別的實際應(yīng)用需求和已有研究方法的分析，總結(jié)了人體行為識別方法中存在的幾個關(guān)鍵關(guān)鍵性問題：(1)高效的有判別力的人體行為的特征提取方法；(2)靈活的人體行為表示模型的構(gòu)建方案；(3)計算復(fù)雜度問題和(4)高效的行為分類算法設(shè)計問題?；谶@

3、些問題，我們從特征學(xué)習(xí)，行為建模和分類算法三個角度出發(fā)，在已有工作的基礎(chǔ)上提出了新的方法和思路，本文的主要貢獻是：
　　1.提出了一種快速高效的行為描述特征和相應(yīng)的識別算法。從行為視頻幀的基于簡單特征的表示中學(xué)習(xí)出魯棒的、有區(qū)分能力的局部特征作為行為描述子，通過使用線性分類器（boosting）綜合這些描述子的判別能力來實現(xiàn)快速分類。這樣，我們同時保證了特征計算的簡單性和識別的有效性。并且，這種特征學(xué)習(xí)的方法還可以拓展到許多其他的

4、應(yīng)用中，比如無監(jiān)督的異常事件監(jiān)測和序列事件監(jiān)測。
　　2.提出了一種層次化的行為語法模型。其主要特點是：(i)該語法模型以行為視頻的局部特征（比如時空興趣點）表示為基礎(chǔ)，通過數(shù)據(jù)挖掘的方法來學(xué)習(xí)局部特征的高階統(tǒng)計特征，即從局部特征的時空分布中學(xué)習(xí)出能夠區(qū)分不同行為的，有一定統(tǒng)計意義的局部特征的時空分布結(jié)構(gòu)。(ii)使用語法規(guī)則的形式來組織這些學(xué)習(xí)到的分布結(jié)構(gòu)，以統(tǒng)一的語法模型來描述行為的各種變化。(iii)從語法模型中提出判別式的

5、分類計算模型，使我們的方法在具有產(chǎn)生式語法模型的描述能力的同時具備了判別式模型的判別能力和計算效率。
　　3.提出了一種新的基于判別模式的隨機森林分類器算法（簡稱EPRF）。本算法通過分析隨機森林分類器的弱分類器的輸出的統(tǒng)計規(guī)律，從中提取出分類規(guī)則，并根據(jù)這些分類規(guī)則的判別能力給他們附以權(quán)值。通過這些分類規(guī)則的加權(quán)投票決定最終分類結(jié)果。用分類規(guī)則組合弱分類器，一方面提升了分類精度，另外也消除了弱分類器在不同任務(wù)中的重要性差異引起的