基于時空流形學習的人體動作識別.pdf

1、人體動作識別一直是計算機視覺和模式識別領域研究的熱點和前沿,在學術研究與工程應用兩方面都具有極其重要的意義。它的研究主要包括三個模塊:人體動作時空信息提取與描述,人體動作時空特征本征結構提取和人體動作的識別理論與方法。其中人體動作時空特征本征結構提取是動作識別的關鍵,針對人體目標的非剛體運動、外觀表現(xiàn)的多變性(動作執(zhí)行者不同、環(huán)境不同)和人體動作的高時空復雜性和長時空相關性等特點,將傳統(tǒng)的空間流形學習算法向時空域擴展,提取更具鑒別力的人

2、體動作本征時空特征,是本文研究的主要內(nèi)容,包括以下三點:
　　(1)局部的流形學習算法中,在局部保持投影(LPP)和它的拓展方法啟發(fā)下,本文把焦點集中在最大化那些外觀上相似卻來自不同類別的動作幀上,即最大化局部類間距離;并在計算局部類間鄰域圖中點對之間權重時引入時域信息來強調(diào)那些類間邊界點的時空差異性;采用投影矩陣正交的限制條件來優(yōu)化目標函數(shù),以更好的保持動作幀之間的度量結構;最終提出了新的時空流形學習算法:最大時空差異性嵌入(M

3、STDE),以提取在時空域上更具鑒別能力的本征結構。
　　(2)全局的流形學習算法中,在t分布隨機鄰域嵌入(t-SNE)算法的基礎上,引入類別信息和時域信息,提出有監(jiān)督的算法:S-tSNE和ST-tSNE,以實現(xiàn)不同動作類別數(shù)據(jù)在低維中全局緊致分布;并針對t-SNE系列算法在增量學習中的局限:新樣本嵌入時沒有給出顯式映射,分別結合局部保持投影(LPP)和局部線性嵌入(LLE)的思想,根據(jù)高維空間中的局部鄰域信息實現(xiàn)新樣本在低維中的