一種人體行為識別的新算法.pdf

1、近年來，國內(nèi)外研究者在行為識別領(lǐng)域經(jīng)過不斷深入研究，取得了頗為顯著的成果。人體行為識別正逐漸演變成如圖像處理分析、人機交互、視頻檢索以及智能監(jiān)控等領(lǐng)域的基礎(chǔ)保障，已發(fā)展成為計算機視覺分析領(lǐng)域的研究熱點。然而，如何在復(fù)雜背景和攝像機運動等情況下提取具有豐富空間信息的特征從而提高識別效果是目前行為識別領(lǐng)域亟待解決的問題，本文對已有的研究成果進行細致地分析和總結(jié)，構(gòu)建了兩種用于行為識別的特征，主要工作如下：
　　1.構(gòu)建了兩種基于時空梯

2、度自相關(guān)的運動特征。針對現(xiàn)有行為識別方法提取到的特征對攝像頭運動和復(fù)雜背景引起的噪點較敏感，以及無法充分利用空間信息等問題，本文在現(xiàn)有特征點優(yōu)化方法的基礎(chǔ)上引入曲率信息，構(gòu)建了時空梯度自相關(guān)特征(3D Feature Auto-Correlation of Gradient,3DFACOG)和光流時空梯度自相關(guān)特征(3D Feature Auto-Correlation of Optical Flow Gradient,3DFACOFG

3、)，有效地克服了攝像機運動和復(fù)雜背景的干擾，同時在特征中引入了豐富的運動和空間信息，并且具有時空不變性。為了消除不同視頻間存在的灰度變化以及光照等因素的影響，本文對提取到的特征進行歸一化操作，使特征對旋轉(zhuǎn)、光照不敏感且增強了特征的運動描述力。
　　2.采用PCA對特征降維并改進了詞袋模型。首先，針對視頻特征維數(shù)高冗余信息多的問題，本文采用主成分分析法(Principal Component Analysis，PCA)對特征降維。其

4、次，本文對詞袋模型(Bag of Words，BOW)進行了改進，傳統(tǒng)的BOW在直方圖描述子構(gòu)建過程中，對每一維特征只選擇一個最近距離的標號，因此偏差較大。本文直方圖描述子構(gòu)建方法對每一維特征選取三個距離最近且含有權(quán)重信息的標號，在一定程度上減少了這一偏差。本文先利用支持向量機(Support Vector Machine，SVM)對3DFACOG、3DFACOFG以及串聯(lián)融合特征分別進行訓(xùn)練測試，然后對3DFACOG、3DFACOFG