基于改进稠密轨迹的人体行为识别方法研究

摘要

人体行为识别是机器视觉和人工智能领域的研究热点，在视频监控、基于内容的视频检索、人机交互、智能交通等领域有着广泛的应用前景。由于人体运动的非刚性、背景的复杂性、人与人之间的相互遮挡以及相机运动等，人体行为识别成为一个极具挑战性的课题。近年来，研究人员在相关领域取得了很大进展，特别是基于稠密轨迹的人体行为识别方法取得了较之前方法更好的识别效果。
　　本文提出一种基于改进稠密轨迹的人体行为识别方法。首先，在多尺度空间采样稠密光流场提取特征点，通过中值滤波跟踪特征点形成轨迹。现实场景中，视频大都存在相机运动，导致大量的轨迹存在于背景中，给人体行为的识别带来干扰。本文通过显著性检测提取显著性区域，并结合背景轨迹方向一致信息，抑制相机运动的影响。然后，以轨迹为中心建立时空管道，进一步将时空管道分割为时空网格，在时空网格中提取梯度方向直方图、光流直方图和运动边界直方图，联合每类特征形成最终的描述符。为了降低计算复杂度，使用主成分分析法(PCA)对每类特征进行降维。最后，每一类特征用一个Fisher向量表示，并用线性SVM进行分类。
　　通过对稠密轨迹算法进行改进，形成完整的行为识别方法。在公共数据集KTH和YouTube上的实验结果表明，本文方法能够有效地抑制相机运动带来的影响，提高行为识别的准确率。

目录

声明

摘要

第一章 绪论

1．1 课题的研究背景及意义

1．2 国内外研究现状及难点

1．2．1 人体行为识别的研究现状

1．2．2 人体行为识别的研究难点

1．3 本文章节安排

第二章 显著性检测算法

2．1 显著性特征描述

2．2 空间显著性检测

2．2．1 Itti模型

2．2．2 统计模型

2．3 时间显著性检测

2．3．1 运动特征提取方法

2．3．2 时间显著性模型

2．4 时空显著性检测

2．4．1 时空显著图的融合方法

2．4．2 视频显著性检测算法

2．5 本章小结

第三章 改进稠密轨迹的提取

3．1 特征点的检测

3．1．1 Harris角点检测

3．1．2 SIFT特征点检测

3．1．3 稠密特征点检测

3．2 特征点的跟踪

3．2．1 KLT特征点跟踪算法

3．2．2 稠密光流场的建立

3．2．3 基于稠密光流场的特征点跟踪

3．3 相机运动消除

3．4 实验结果与分析

3．5 本章小结

第四章 描述符的选取

4．1 轨迹形状描述符

4．2 结构和运动描述符

4．2．1 梯度方向直方图

4．2．2 光流直方图

4．2．3 运动边界直方图

4．3 实验结果与分析

4．4 本章小结

第五章 人体行为的描述与识别

5．1 人体行为的描述

5．1．1 词袋模型(BOW)

5．1．2 Fisher向量模型

5．2 人体行为的识别

5．2．1 K最近邻算法

5．2．2 支持向量机

5．2．3 支持向量机多分类问题

5．3 实验结果与分析

5．3．1 实验数据集的选取

5．3．2 改进稠密轨迹与稠密轨迹比较

5．3．3 Fisher向量模型和BOW模型比较

5．3．4 与其他文献方法比较

5．4 本章小结

第六章 总结与展望

6．1 总结

6．2 展望

参考文献

发表论文和参加科研情况

致谢