基于隐马尔科夫模板模型的视频动作识别算法研究

摘要

动作识别和行为理解是计算机视觉领域的热门课题。它被广泛应用于人机交互，智能视频监控，虚拟现实，运动分析等领域，有很高的学术研究和实际应用价值。由于人体运动是非刚性运动，同一动作类型会因不同的人或不同场景发生变化，不同动作类型的差异又较小，因此在视频序列中检测和识别人体动作的难度要高于其他的目标。
　　目前基于隐马尔科夫模型的动作识别算法存在以下几个难题:(a)构建观测值与隐含状态之间的概率模型不准确;(b)每个观测值对应一组局部特征，构建局部特征之间的关系不准确;(c)为了得到较好的实验结果，在机器学习阶段有时需要依赖手工标注;(d)模型推理过程耗时。针对上面这些问题，本文提出一种基于隐马尔科夫模板模型下的行为识别算法，该算法归纳如下:
　　本模型的基本构成包括一系列隐含状态和观测值，通过活动模板模型计算观测值与隐含状态间的概率，相比常用的刚性模板，活动模板对视角和外观的变化有很好的鲁棒性，从而准确地描述了观测值与隐含状态间的概率模型。关键姿态间的转移概率通过统计的方法得到，从而准确地构建了局部特征间的关系。模型参数通过“期望最大化”算法从训练数据中自动学习得到，从而不需要手动标注。模型推理过程通过动态规划算法快速完成，将计算复杂度由指数级降到了多项式级。
　　本文在Matlab平台上用Weizmann动作数据集来测试本文提出方法，实验结果表明“左向右型”隐马尔科夫模板模型在描述姿态间的切换规律方面有明显的优越性;提取形状和运动的联合特征时可以达到最佳识别效果;每个动作可以分为几个姿态，增加姿态数可以提高识别准确率，当姿态数目达到四个时，再增加姿态数对最终结果影响不大;与同类算法对比，本文提出的方法在识别准确率上有明显优势，且不依赖前景分割。

目录

声明

摘要

第1章 绪论

1．1 课题研究背景和意义

1．1．1 人机交互

1．1．2 智能视频监控

1．1．3 虚拟现实

1．1．4 运动分析

1．2 国内外研究现状

1．3 本文所做的工作和文章的组织结构

第2章 隐马尔科夫模型和动作特征提取方法分析

2．1 隐马尔科夫模型

2．2 运动特征表示方法

2．3 形状特征表示方法--盖博小波稀疏编码

2．4 本章小结

第3章 基于马尔科夫模板模型的动作识别算法研究

3．1 活动模板模型

3．1．1 活动模板模型建模

3．1．2 活动模板模型学习推理算法

3．1．3 活动模板概率模型建立

3．2 隐马尔科夫模板模型

3．3 模型建立

3．3 参数状态已知求数据的全概率

3．4 参数已知求数据的最优分类

3．4．1 给定类别对数据的最优理解

3．4．2 未知类别求最优分类

3．5 基于EM算法的参数估计

3．6 本文算法总结

第4章：实验结果展示和分析

4．1 实验数据库和设备介绍

4．2 HMT学习推理算法实验结果展示

4．2．1 HMT学习算法实验结果展示

4．2．2 HMT推理算法实验结果展示

4．2．3 活动模板产生过程展示

4．3 EM算法中间结果展示

4．4 最终识别结果展示

4．4．1 学习结果展示

4．4．2 识别结果展示

4．5 本章小结

第5章 总结与展望

参考文献

致谢