基于时空兴趣点和密集轨迹特征加权融合的行为识别方法研究

摘要

针对目前行为识别方法中特征融合的低效性问题,提出了一种新的特征加权的融合方法,将基于稠密轨迹(Dense Trajectory)的特征与时空兴趣点特征(STIP)加权融合,并通过利用支持向量机(SVM)分类学习实现行为识别.该方法能够有效增大判别力较强特征的权重,从而给最终的识别精度带来裨益.在行为识别领域广泛使用的KTH数据集、UCF sports数据集上进行测试.与目前最新的方法实验结果对比表明,提出的方法是有效的,且具有较强的鲁棒性.