視頻序列中人體行為的低秩表達與識別方法研究.pdf

1、人體行為識別是計算機視覺領域內(nèi)一個非?；钴S的研究方向，具有十分重要的理論研究價值和廣泛的應用場景，比如智能視頻監(jiān)控、視頻檢索、智能監(jiān)護和人機交互等。近年來，人們已提出了大量方法，從不同角度解釋和處理人體行為識別問題。盡管這些方法已取得了一定成果，然而由于人體行為本身以及所處環(huán)境的復雜性，行為識別技術中還存在很多問題值得深入研究。人體行為識別通常被看作是一個模式分類問題，主要包括行為特征提取與表達和行為分類兩大部分。論文以包含人體行為的視

2、頻序列為研究對象，分析了現(xiàn)有行為識別方法的特點和不足，并針對這些不足，對行為特征提取與表達及相關行為識別方法進行了深入研究，提出了一些新的解決思路和方法。論文首先提出了人體行為低秩特征，隨后提出了累加邊緣分布直方圖的特征表達方法；然后針對如何增強行為低秩特征抗背景干擾的能力及捕獲時間信息的能力提出了兩種改進方法，并對相應的行為識別方法進行了深入研究，提出了新的判別部件學習模型和字典學習模型。最后在三個具有代表性的行為數(shù)據(jù)庫上驗證了論文提

3、出方法的有效性。
　　論文的主要貢獻和創(chuàng)新點歸納如下：
　　①提出了運用行為低秩特征提取視頻序列中行為信息的方法，并確定了可行規(guī)則化參數(shù)及其計算公式。傳統(tǒng)行為特征提取通常需要人體目標的檢測、分割、跟蹤或興趣點檢測等預處理步驟，而這些處理步驟本身還存在不少困難未被解決，其產(chǎn)生的處理誤差也會傳遞到后續(xù)的行為分類當中。相比傳統(tǒng)行為特征，行為低秩特征的提取方式更加簡潔，有效地避免了上述預處理步驟。然而在行為低秩特征的提取過程中，傳統(tǒng)

4、規(guī)則化參數(shù)難以有效提取出視頻序列中的行為信息；為此進行了大量實驗研究，并最終確定了可行的規(guī)則化參數(shù)及其計算公式。實驗表明本文確定的規(guī)則化參數(shù)的特征提取效果遠好于傳統(tǒng)規(guī)則化參數(shù)。
　?、谔岢隽死奂舆吘壏植贾狈綀D的行為低秩特征表達方法。由于行為低秩特征自身的特性，傳統(tǒng)的特征表達方法難以有效描述出其中的行為信息。研究發(fā)現(xiàn)行為低秩特征中的邊緣信息可以很好地克服行為執(zhí)行者服裝灰度信息帶來的影響；同時視頻序列中的人體運動也會產(chǎn)生相應的邊緣信息

5、。因此首先提取行為低秩特征的邊緣信息，然后對邊緣信息的分布進行統(tǒng)計，并最終形成累加邊緣分布直方圖的行為低秩特征表達。在三個基準數(shù)據(jù)庫上的實驗表明，累加邊緣分布直方圖比其他傳統(tǒng)特征表達方法更適合用于表達行為低秩特征。
　　③提出了一種基于行為低秩特征中判別部件學習的行為識別方法。判別部件學習與行為低秩特征具有很強的互補性。從行為低秩特征中學習判別部件，能有效增強行為低秩特征的抗背景干擾能力，同時又能極大程度地克服傳統(tǒng)部件學習中的“背

6、景記憶”問題。然而傳統(tǒng)的部件學習方法通常是對所有行為類學習相同數(shù)量的判別部件，忽略了各行為類之間識別難易程度的差異。為此提出了一種靈活數(shù)量判別部件學習模型，該模型可以針對不同行為類學習靈活數(shù)量的判別部件。在該模型中定義了新的相似性約束，更加有利于判別部件檢測器的產(chǎn)生；同時運用組稀疏規(guī)則化方法自動保留每個行為類別中判別力強的部件檢測器。實驗結果表明了提出的判別部件學習模型的有效性，以及相應的行為識別方法具有更優(yōu)的識別性能。
　?、芴?/p>

7、出了一種基于時序行為低秩特征和字典學習的行為識別方法。為捕獲視頻序列中的時間信息，研究了時序行為低秩特征。首先將整個視頻序列按一定重疊率劃分為多個行為子序列，然后分別提取行為低秩特征，最終按時間順序?qū)⑵浯?lián)形成時序行為低秩特征。研究發(fā)現(xiàn)時序行為低秩特征更適合通過字典學習來進行分類。然而傳統(tǒng)的字典學習模型未考慮各樣本編碼系數(shù)的相似性約束問題，同時難以很好處理非線性可分數(shù)據(jù)。為此，提出了一種相似性約束的判別核字典學習模型。該字典學習模型中加