基于局部時(shí)空共現(xiàn)特征的人體行為識(shí)別方法研究.pdf

1、人體行為識(shí)別是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)和難點(diǎn),在智能監(jiān)控、高級(jí)人機(jī)交互、體育運(yùn)動(dòng)分析和基于語義的視頻檢索等方面有著重要的意義和廣闊的應(yīng)用前景。計(jì)算機(jī)理解人體動(dòng)作和行為將成為未來高層計(jì)算機(jī)視覺技術(shù)發(fā)展的重要方向。
　　 目前,人體行為識(shí)別的研究尚處于初級(jí)階段,盡管在單一背景的簡單動(dòng)作識(shí)別上取得了一定的進(jìn)展,但是由于人體行為的復(fù)雜性、特征提取的時(shí)間復(fù)雜度高等問題,真實(shí)場景下的人體行為識(shí)別仍然面臨著許多困難,如實(shí)時(shí)性差、識(shí)別率未達(dá)到實(shí)

2、際應(yīng)用等。針對上述情況,本文圍繞基于視頻的人體行為識(shí)別展開研究,進(jìn)行了以下三個(gè)方面的工作:
　　 1.查閱了大量文獻(xiàn),對現(xiàn)有的基于局部時(shí)空特征的人體行為識(shí)別方法的進(jìn)展的進(jìn)行詳細(xì)概述,重點(diǎn)介紹了局部時(shí)空特征的檢測算子和描述算子。
　　 為本文后續(xù)工作的展開提供理論支持。
　　 2.提出了一種基于CUDA的HOG特征算子的快速計(jì)算方法。針對HOG特征提取的時(shí)間復(fù)雜度高的問題,根據(jù)CPU下的HOG特征算子,研究了GPU

3、下的HOG特征快速計(jì)算方法。在GPU下分別對HOG特征的梯度計(jì)算、直方圖統(tǒng)計(jì)、歸一化處理、線性SVM分類器檢測部分,特征提取的五個(gè)關(guān)鍵步驟都分別設(shè)計(jì)了相應(yīng)的并行模塊。實(shí)驗(yàn)結(jié)果表明GPU下的HOG特征計(jì)算相較于CPU下的HOG特征計(jì)算平均提高了約10倍的速度。
　　 3.提出了一種基于表觀碼本同現(xiàn)的特征包模型算法。針對傳統(tǒng)特征包模型中的缺點(diǎn),即簡單的用單個(gè)碼本來表示每個(gè)聚類中心的做法,本文引入了表觀碼本同現(xiàn)的方法來增加碼本之間的相

4、關(guān)性。首先利用局部特征檢測算子和特征描述算子計(jì)算出特征向量。接著利用k-means(k-均值聚類)算法對所有的訓(xùn)練視頻特征向量進(jìn)行聚類,構(gòu)建k個(gè)碼本項(xiàng)。然后對k個(gè)碼本計(jì)算共現(xiàn)碼本矩陣和共現(xiàn)碼本相關(guān)度矩陣,根據(jù)共現(xiàn)碼本相關(guān)度矩陣得出相關(guān)度最大的k對共現(xiàn)碼本。然后對訓(xùn)練視頻和測試視頻分別計(jì)算k個(gè)碼本的原碼本直方圖和k對共現(xiàn)碼本的直方圖。最后合并原碼本直方圖和共現(xiàn)碼本直方圖組成一個(gè)新的碼本直方圖,這樣每個(gè)視頻特征向量由原碼本直方圖和表觀碼本共