基于隐Markov模型的视频行为活动识别关键算法研究

摘要

随着多媒体技术和信息技术的发展，众多的研究领域如智能监控、感知接口、基于内容的视频检索等，对视频内容智能分析的要求越来越高，因此近年来多媒体信息的内容理解和分析引起了越来越多的学者关注。而由于运动分析和行为识别在视觉认知和计算中的高语义化程度，该问题是具有挑战性的科学问题，同时也是具有广泛应用意义的实际问题。 本文采用粒子群优化算法对隐Markov模型的参数学习问题进行改进，并提出基于事件概率序列的视频活动建模方法HMM—PS，从而实现视频行为活动的识别。首先从视频序列中提取行为活动的目标运动轨线特征，利用隐Markov模型以语义事件概率的方式对行为活动进行表示，从而完成对行为活动的建模。同时，基于粒子群优化算法对隐Markov模型中的参数学习算法进行改进，使得HMM的学习问题可以跳出局部最优，并有效解决传统参数估计方法的数据溢出问题。然后，采用时间规整法对HMM—PS建模得到的事件概率序列进行匹配以识别目标行为活动。通过Central Florida大学的人体运动数据集（UCF Human Action Dataset）和来自UCI—KDD的ASL（Australia Sign Language）复杂运动轨迹数据集的仿真实验表明，HMM—PS方法可以有效地对行为活动进行建模；且与Baum—Welch参数估计方法相比，HMM—PS在行为建模的学习性能上具有较高的优越性；另外与相关方法比较，HMM—PS在识别率上取得更好的结果。

目录

文摘

英文文摘

声明

第1章引言

1.1课题背景和研究意义

1.2该领域国内外研究热点及趋势

1.3本文的研究工作

1.4本文的组织结构

第2章视频行为活动识别技术的研究

2.1视频行为识别概述及现状

2.2视频行为活动的特征提取与建模

2.3机器识别方法

第3章隐Markov模型理论

3.1Markov链及离散隐Markov模型

3.2HMM三个基本问题

3.3HMM扩展理论

3.4HMM基本类型

3.5HMM在视频行为识别中的应用和发展

第4章基于改进隐Markov模型HMM-PS的行为识别方法

4.1基于轨线的运动特征提取

4.2基于HMM-PS的行为活动建模

4.3事件概率序列匹配方法

4.4本章小结

第5章仿真实验与分析

5.1UCF-Human action datasets数据仿真实验分析

5.2.ASL数据集仿真实验分析

5.3实验总结

第6章总结与展望

6.1本文工作的总结

6.2对未来工作的展望

参考文献

研究生阶段的主要研究工作

致谢