復(fù)雜環(huán)境下行為識(shí)別特征提取方法研究.pdf

1、行為識(shí)別是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)之一，在虛擬現(xiàn)實(shí)、增強(qiáng)現(xiàn)實(shí)、智能監(jiān)控、移動(dòng)分析和基于內(nèi)容的視頻檢索等領(lǐng)域具有廣闊的應(yīng)用前景?，F(xiàn)有的簡(jiǎn)單的、日常標(biāo)準(zhǔn)動(dòng)作的行為識(shí)別技術(shù)逐漸成熟，而對(duì)于復(fù)雜環(huán)境下的行為識(shí)別，如何提高識(shí)別率和效率成為了行為識(shí)別的研究焦點(diǎn)。
　　為了提高識(shí)別率，目前行為識(shí)別的研究主要針對(duì)特征提取方法和分類方法兩個(gè)方面，特征是分類器的輸入數(shù)據(jù)，其性能直接影響分類器的分類效果，進(jìn)而影響行為識(shí)別的識(shí)別率和效率。本論文主要研究復(fù)

2、雜環(huán)境下行為識(shí)別的特征提取方法，以提高識(shí)別率和效率，主要工作與創(chuàng)新如下:
　　1)提出一種基于移動(dòng)邊界采樣的底層特征提取方法:移動(dòng)邊界采樣為光流(opticalflow)的不連續(xù)區(qū)域，并將其應(yīng)用到改進(jìn)型稠密軌跡上，減少一些不必要的移動(dòng)軌跡，在保證識(shí)別率的前提下提高了效率并且節(jié)省了存儲(chǔ)空間。仿真結(jié)果表明，在應(yīng)用移動(dòng)邊界采樣方法時(shí)，識(shí)別率與改進(jìn)型稠密軌跡相當(dāng)，復(fù)雜環(huán)境下的軌跡數(shù)減少了一半，存儲(chǔ)效率提高了一倍。
　　2)提出一種基

3、于線性降維技術(shù)的中層特征提取方法:在行為識(shí)別的特征提取過程中多次使用線性降維算法，即在FV(fisher vector)提取之前，對(duì)底層描述器(extractor)進(jìn)行一次降維，在FV進(jìn)入分類器之前，采用線性的降維技術(shù)對(duì)其進(jìn)行降維，從而提高效率和識(shí)別率。仿真結(jié)果表明，采用降維技術(shù)比不采用降維技術(shù)的測(cè)試和訓(xùn)練時(shí)間至少可降低2個(gè)數(shù)量級(jí)，并且UCF11識(shí)別率提高到92.51％，HMDB51提高到56.47％。
　　3)設(shè)計(jì)一種快速分類方

4、法和融合策略:快速分類方法用的是極限學(xué)習(xí)機(jī)，融合策略分為前融合策略和后融合策略，前融合策略分為底層描述器（位置1）融合和中層描述器（位置2）融合，后融合策略主要是通過六種不同的規(guī)則進(jìn)行識(shí)別率的分析和比較，提高了大類行為識(shí)別的效率和識(shí)別率。實(shí)驗(yàn)結(jié)果表明，ELM的訓(xùn)練時(shí)間和測(cè)試時(shí)間至少比SVM降低了10倍，位置2融合和后融合的求積、求和規(guī)則對(duì)應(yīng)的是最穩(wěn)定并且識(shí)別率最高的融合。
　　基于以上研究，提出一種基于移動(dòng)邊界采樣的改進(jìn)型稠密軌跡