基于特征映射的運動分析與識別.pdf

1、在模式識別和機器學(xué)習(xí)領(lǐng)域中,生成式模型中和判別式模型是兩個重要的識別方法。而特征映射則提供了一種從生成式模型中提取能夠描述樣本的特征的方法,從而與判別式模型結(jié)合。這種混合生成式模型和判別式模型的方法,不僅擁有生成式模型擅長對數(shù)據(jù)建模和發(fā)掘隱變量信息的優(yōu)點,而且可以利用判別式模型強有力的決定類間邊界的區(qū)分能力。因此在計算機視覺中運動分析與識別領(lǐng)域,如人體動作識別,場景識別,人臉識別,群體運動分析等,都有著重要的研究潛力和應(yīng)用前景。

2、　　在大量閱讀文獻的基礎(chǔ)上,作者對現(xiàn)有的特征映射方法進行做了細致的分析和研究,并將其擴展,提出一種獲得多類特征映射的方法。接下來在人體動作識別,群體運動分析以及單樣本人臉識別三個挑戰(zhàn)性的計算機視覺與模式識別的問題上,通過將生成式模型的特征映射與判別式模型或者聚類分析方法結(jié)合,取得了一些有價值的實驗結(jié)論:
　　(1)在人體三維動作識別的問題上,提出來一種在三維人體關(guān)節(jié)點序列上基于特征映射的識別方法。該方法建立在隱馬爾可夫模型上,與過

3、去方法不同之處在于將隱馬爾可夫模型與判別式模型結(jié)合的方式,這種方式可以提取更有區(qū)別能力的信息。我們將人體多關(guān)節(jié)信息分成多個有重疊的包含語義信息的子部分,對每一個子部分用隱馬爾可夫模型進行建模分析,并通過后驗分歧的多類擴展得到特征映射,最終得到該序列的完整特征映射信息。然后利用支持向量機對提取的等維度特征映射向量進行訓(xùn)練和分類,進而對序列進行識別。識別的結(jié)果與已發(fā)表的動作識別算法比較,得到了更好的結(jié)果。
　　(2)在復(fù)雜場景的群體運

4、動分析的問題上,提出來一種開發(fā)隱藏信息的基于特征映射的聚類分析方法。該方法建立于從視頻中提取的短軌跡的基礎(chǔ)之上。把群體運動分析視作一個從概率角度將長軌跡聚類的過程,實驗證明這種方法效果很魯棒。通過特征映射的應(yīng)用,可以開發(fā)出長軌跡的隱信息,這種隱信息相對于可觀測的信息來說,在聚類分析上更為有效,更具區(qū)別性。通過提出的聚類分析方法,可以得到較好的分析結(jié)果。
　　(3)在單樣本人臉識別的問題上,提出一種新的基于部分的數(shù)據(jù)表示方法,多子類