視頻人體行為識別方法研究.pdf

1、人體行為識別是計算機視覺的重要領(lǐng)域，因其巨大的研究價值和應(yīng)用價值快速成為研究的重點和熱點，同時由于人體行為本身的復(fù)雜性和多樣性，使得人體行為識別同樣也成為研究的難點。本文在廣泛查閱現(xiàn)有文獻的基礎(chǔ)上，研究視頻人體行為識別方法，包括運動前景提取，全局特征和局部特征的檢測、提取，基于詞袋模型的特征建模，以及分類器的選擇。針對以上問題，本文主要工作如下：
　　本文提出一種前后向結(jié)合的幀差法提取運動前景，在此基礎(chǔ)上，依據(jù)連通域面積、連通域與

2、圖像重心的距離進行去噪。該方法有效克服了普通的兩幀或三幀差法提取運動前景時輪廓不完整的弊端，為后續(xù)提取整體運動特征的工作打下基礎(chǔ)。
　　本文提出一種融合運動信息和FAST角點特征的興趣點檢測方法，針對FAST角點不能表達時間維度信息的缺陷，將相鄰三幀兩兩做差，在得到的前向和后向運動圖像上進行FAST角點檢測，取兩個特征點集的交集作為當前幀運動人體局部興趣點。該方法有效結(jié)合了時間維度信息和FAST算子的優(yōu)點，效果良好。
　　本

3、文研究基于人體運動區(qū)域的整體特征檢測和描述方法，以人體運動區(qū)域最小外接圓、最小外接矩形為基礎(chǔ)，提取特征，包括矩形度、寬長比、圓形度、傾斜度等，作為分類識別的整體特征。
　　本文研究將詞袋模型（BOW）應(yīng)用于人體行為識別中的一些問題，探究合理的視覺詞匯數(shù)量，發(fā)掘并有效利用詞匯之間的關(guān)聯(lián)，針對傳統(tǒng)的視覺詞匯生成方法并不考慮詞匯的權(quán)重的缺陷，提出一種改進的BOW模型人體行為特征向量生成方法。依據(jù)視覺詞匯出現(xiàn)的次數(shù)和它對分類的貢獻成反比的

4、關(guān)系，將視覺詞匯的權(quán)重根據(jù)聚類中心的密度倒置，有效地提高了識別精度。實現(xiàn)并比較構(gòu)建視覺詞匯的聚類方法K-means和AP（Affinity Propagation），最終發(fā)現(xiàn)k-means不論在效率還是最終的識別結(jié)果上均優(yōu)于AP聚類方法。
　　比較了不同的特征檢測、特征描述以及最終進行行為分類的方法，Cuboids描述子優(yōu)于基于圖像區(qū)塊（patch）的描述子，應(yīng)用SVM，KNN，決策樹進行分類識別，最后在Weizmann、KTH和