基于多核多示例学习的洗车行为识别方法研究

摘要

洗车行为识别是复杂场景下人体行为识别的一个分支，目前简单场景下的人体简单动作的识别已基本得到解决，而复杂场景下的行为识别仍面临很多困难。洗车行中摄像头的特殊角度拍摄人体动作轮廓不分明以及汽车、工人频繁移动造成的“鬼影区域”都使得对洗车行为的识别更加困难。当前传统的行为识别算法并不能适应洗车行这种特殊环境，针对洗车行为识别，本文提出了一种基于多核多示例的学习算法，以提高洗车行环境下洗车工人行为识别的准确率。
　　本文采用了改进的ViBe背景差分法对运动目标实时检测来解决消除“鬼影区域”问题，采用HOG-LBP特征提取算法来应对人体动作轮廓不分明的问题。识别算法采用多核多示例学习算法，该算法将多核支持向量机与多示例学习算法有机结合，能够有效的处理提取到的HOG-LBP融合特征，同时也提高了识别算法的学习能力，进一步提高洗车行为识别的准确率。
　　实验证明，多核多示例学习算法在实验构建的洗车行为数据集上，与传统的行为识别算法相比，其识别率有所提高。本文中的算法是针对洗车行环境提出的，也同样适用于类似洗车行环境的复杂场景下的行为识别问题。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 研究现状

1．3 论文的研究内容与组织结构

第2章 运动目标实时检测

2．1 背景差分法

2．1．1 背景差分法的原理

2．1．2 背景模型

2．2 ViBE算法

2．2．1 建立背景模型

2．2．2 前景运动目标检测

2．2．3 背景模型更新

2．3 ViBe改进算法

2．3．1 ViBe算法的鬼影消除策略

2．3．2 结合帧间差分的ViBe算法改进

2．3．3 结合帧间差分改进的ViBe算法的验证分析

2．4 本章小结

第3章 运动目标特征提取

3．1 HOG特征

3．1．1 HOG特征主要思想

3．2 LBP特征

3．2．1 LBP特征主要思想

3．2．2 LBP特征提取具体实现方法

3．3 HOG-LBP特征融合

3．3．1 分层特征

3．3．2 分层LBP与原始HOG特征的融合步骤

3．3．1 HOG-LBP特征与传统特征提取对比分析

3．4 本章小结

第4章 多核多示例学习算法

4．1 支持向量机

4．1．1 支持向量机的主要思想

4．1．2 支持向量机方法介绍

4．1．3 多核支持向量机

4．2 多示例学习算法

4．2．1 多示例学习算法的主要思想

4．2．2 多示例学习算法的具体步骤

4．3 多核多示例学习算法MKSVM-MIL

4．3．1 构建词空间

4．3．2 计算映射功能

4．3．3 MKSVM-MIL算法

4．4 实验和分析

4．4．1 实验数据集和实验环境

4．4．2 实验具体过程

4．4．3 实验结果与分析

4．5 本章小结

结论

参考文献

致谢