基于全局和局部運動模式的人體行為識別研究.pdf

1、隨著計算機技術的迅速發(fā)展，圖像和視頻數據的海量增長推動著計算機視覺研究和應用的不斷發(fā)展，同時也促進了模式識別，人工智能和機器學習等相關領域的發(fā)展。人體行為識別作為計算機視覺領域備受關注的研究方向，被廣泛應用于智能視頻監(jiān)控、病人監(jiān)護系統(tǒng)、人機交互、虛擬現實、智能家居、智能安防和運動員輔助訓練等，具有廣泛的應用價值和前景。盡管當前行為識別的研究取得了一定進展，但由于人體行為識別的復雜性，如背景雜亂、攝像機快速移動，以及人體外貌、姿勢和尺度等

2、變化，導致人體行為識別面臨更大的困難和挑戰(zhàn)。
　　傳統(tǒng)基于興趣點的行為識別方法通過提取底層特征（如HOF，HOG和3D-SIFT等描述子）獲取視頻的局部信息，并構建基于語義的bag-of-words模型用于生成行為的特征向量。這種方法的優(yōu)點是不需要對視頻進行預處理提取運動對象，進而不易受圖像預處理結果的影響，且對噪聲或干擾等因素不敏感，但其缺點是計算復雜度高，特別在訓練過程中需要耗費大量時間構造字典模型。本文關注興趣點的輪廓信信息

3、和運動信息，提出一種基于運動模式的人體行為識別方法。本文的主要工作包括:1）采用現有的興趣點檢測方法（Dollars角點檢測方法）提取視頻中的時空興趣點，采用本文方法提取運動模式（movement pattern，MP），該運動模式包含頂層的全局運動模式(global pattern，GMP)和底層的局部運動模式(local movement pattern，LMP);2)在基于GMP的方法中，通過提取視頻立方體中的時空興趣區(qū)域(reg

4、ion of interest，ROI)，采用kalman濾波對ROI進行預測，提取全局運動模式，并進行動態(tài)時間規(guī)整(dynamic time warping，DTW)。在模式匹配階段使用字交叉參考模板(cross-words reference templates，CWRTs)方法對訓練模式進行規(guī)整生成參考模式并使用距離度量對其進行識別;3）在基于LMP的方法中，ROI內的興趣點軌跡與加權平均運動速度用于表示ROI的局部運動模式，通過

5、自適應層次聚類算法產生局部參考運動模式，并采用模式匹配方法對其分類和識別。
　　在訓練過程中，首先構建一個具有兩層結構的分類器模型:頂層包含多個非混淆行為分類器和混淆行為分類器，而底層則包含基于頂層每個混淆行為分類器構建的多個非混淆行為分類器。非混淆行為分類器定義:只包含一類行為的分類器定義為非混淆行為分類器?；煜袨榉诸惼鞫x:分類器包含多類易混淆，相似度高的行為，這樣的分類器定義為混淆行為分類器。對于任何一個行為，首先采用頂層

6、的GMP描述方法及其識別方法對其進行識別，若識別結果為非混淆類，則結束識別過程;若識別結果為混淆類，則繼續(xù)采用底層的LMP描述方法及識別方法對其進行二次識別，從而將其識別為底層的非混淆類。
　　將本文的方法在標準視頻庫Weizmann庫和UCF庫中進行驗證和測試，并在multiple cameras fall視頻庫中對跌倒行為進行了識別，其識別率分別為93.0％、88.4％和93.5％。實驗表明本文的方法在保證識別率的前提下，較傳