视频中人体行为识别的判别稀疏编码方法研究

论文摘要

随着视频采集技术的发展,产生了越来越多的视频数据,承载了越来越丰富的信息。随着视频量的增加,对这些视频进行分析和理解成为当前迫切需要解决的问题。然而,采用人工的方式理解这些视频中包含的丰富内容是远远不够的,也是不可能的,必须借助计算机的手段进行视频分析与理解。目前这方面的研究尚处于起步阶段,正引起越来越多的研究人员的关注。人体行为识别是个典型的视频理解问题,它通过分析视频序列中人体图像的相关性和视觉外观特征,确定人体的行为模式。譬如,区分一段视频中“走”和“跑”的人。由于人体行为识别技术帮助人类理解和智能化处理视频数据,广泛应用于视频监控、虚拟现实、视频内容检索等领域。因此,研究人体行为识别具有重要的应用价值。人体图像存在自我遮挡和交互遮挡等干扰因素,导致人体行为识别成为计算机视觉领域中极具挑战性的问题。因此,研究人体行为识别还具有重要的理论意义。本文围绕人体行为识别问题展开研究,主要工作包括:1.比较分析视频特征提取方法,利用时空局部特征描述子MoSIFT提取视频的时空局部特征,引入平均池技术获取视频全局特征向量表示,保留了视频兴趣点描述子中包含的大部分信息;2.利用稀疏编码理论,提出稀疏判别分析方法。利用字典学习算法计算字典,通过稀疏编码算法得到信号的稀疏表示,然后利用线性判别分析方法提取主要判别特征,以此提高识别准确率;3.结合稀疏编码和线性判别分析,提出判别稀疏编码方法。通过在字典学习过程中在低维空间引入判别分析特性,从而进一步提高识别准确率。开发了判别字典在线学习算法求解字典,保持样本判别信息。4.实验结果表明:(1)稀疏判别分析方法的识别效果略优于目前最优的方法;(2)判别稀疏编码方法通过在学习过程中直接引入判别分析特性,在较低维度空间尽可能多地保持判别信息,因而识别效果优于其他方法。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 课题的背景与意义
• 1.2 国内外行为识别的研究现状
• 1.2.1 行为识别的时空方法
• 1.2.2 行为识别的序列方法
• 1.2.3 行为视频数据库
• 1.3 现存问题分析
• 1.3.1 行为识别研究存在的困难
• 1.3.2 行为识别研究现存的问题
• 1.4 论文的主要工作与组织结构
• 1.4.1 本文主要工作
• 1.4.2 本文组织结构
• 第二章 稀疏编码理论
• 2.1 国内外稀疏编码研究现状
• 2.2 信号稀疏编码的理论基础
• 2.2.1 信号的线性表示原理
• 2.2.2 信号在过完备字典下的稀疏编码原理
• 2.3 信号的稀疏分解算法
• 2.4 过完备字典学习
• 2.5 本章小结
• 第三章 视频时空域局部特征提取
• 3.1 视频特征提取研究现状
• 3.2 图像局部特征点提取
• 3.3 时空局部特征点提取
• 3.4 时空局部特征描述
• 3.5 实验及结果分析
• 3.6 本章小结
• 第四章 人体行为识别的判别稀疏编码方法
• 4.1 引言
• 4.2 稀疏判别分析方法
• 4.2.1 稀疏编码模型
• 4.2.2 稀疏编码模型的字典学习
• 4.2.3 线性判别分析
• 4.3 判别稀疏编码方法
• 4.3.1 信号的稀疏表示模型
• 4.3.2 判别稀疏编码算法
• 4.3.3 在线判别字典学习算法
• 4.4 实验与结果分析
• 4.4.1 SDA方法测试结果
• 4.4.2 DSC方法测试结果
• 4.5 本章小结
• 第五章 总结与展望
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 作者在学期间取得的学术成果