基于判別模式學習的人體行為識別方法研究.pdf_第1頁
已閱讀1頁,還剩121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、體育場景分析等領域有廣泛的應用前景。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等學科的研究成果,對于行為識別的研究將對這些相關領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用前景和理論研究價值,近

2、些年來,在這個研究領域產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用需求和已有研究方法的分析,總結了人體行為識別方法中存在的幾個關鍵關鍵性問題:(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建方案;(3)計算復雜度問題和(4)高效的行為分類算法設計問題?;谶@

3、些問題,我們從特征學習,行為建模和分類算法三個角度出發(fā),在已有工作的基礎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的識別算法。從行為視頻幀的基于簡單特征的表示中學習出魯棒的、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,這種特征學習的方法還可以拓展到許多其他的

4、應用中,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,通過數(shù)據(jù)挖掘的方法來學習局部特征的高階統(tǒng)計特征,即從局部特征的時空分布中學習出能夠區(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構。(ii)使用語法規(guī)則的形式來組織這些學習到的分布結構,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值。通過這些分類規(guī)則的加權投票決定最終分類結果。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中的重要性差異引起的

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(wǎng)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(jīng)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