【摘要】：提出一種人體行為識別方法。構(gòu)建MACH濾波器組,對視頻片段的三維時空體進(jìn)行濾波,得到時空相關(guān)體;采用三層最大池化方法提取時空相關(guān)體的特征向量,采用高斯隸屬函數(shù)對池化特征向量進(jìn)行擴(kuò)展;構(gòu)建多類SVM分類器并進(jìn)行特征分類,識別行為類別。在ADL和UCF Sports兩個國際上通用的人體行為數(shù)據(jù)集上進(jìn)行人體行為識別實驗,實驗結(jié)果表明,該方法的識別率高于現(xiàn)有的人體行為識別方法,對不同人體行為的區(qū)分能力更強(qiáng)。
【圖文】：

計算機(jī)工程與設(shè)計２０１７年多類ＳＶＭ分類器的人體行為識別方法，設(shè)計思路是：將目前二維圖像處理領(lǐng)域性能優(yōu)異的ＭＡＣＨ濾波器［１０］應(yīng)用于描述視頻片段的三維時空體，提取視頻片段的三維時空相關(guān)體。然后在三層最大池化濾波的基礎(chǔ)上，再采用高斯隸屬函數(shù)構(gòu)建歸一化的池化特征，擴(kuò)展特征容量，提高特征對不同行為的區(qū)分能力。另外在分類階段直接訓(xùn)練一個多類ＳＶＭ分類器，與級聯(lián)二值ＳＶＭ分類器的方式相比提高了分類器的訓(xùn)練和識別效率。１本文方法本文方法的實現(xiàn)流程如圖１所示。其中，在訓(xùn)練階段，先構(gòu)建ＭＡＣＨ濾波器組、高斯模糊集中心及寬度參數(shù)集和多類ＳＶＭ分類器。在識別階段，先用已構(gòu)建的ＭＡＣＨ濾波器組對視頻片段的三維時空體進(jìn)行濾波，得到時空相關(guān)體。然后采用三層最大池化方法提取特征向量，并結(jié)合已構(gòu)建的高斯模糊集中心及寬度參數(shù)集和高斯隸屬函數(shù)對池化特征進(jìn)行歸一化，擴(kuò)展特征向量。最后采用已構(gòu)建的多類ＳＶＭ分類器進(jìn)行特征分類，得到行為識別結(jié)果。其詳細(xì)實現(xiàn)過程描述如下。圖１本文方法實現(xiàn)流程１．１濾波器訓(xùn)練ＭＡＣＨ濾波器是一種相關(guān)濾波器，通過優(yōu)化４個測度來構(gòu)建，這４個測度包括平均相關(guān)高度、平均相關(guān)能量、平均相似測度和輸出噪聲變量［１０］。該濾波器目前已廣泛應(yīng)用于掌紋識別、人臉識別等二維圖像處理領(lǐng)域。人體行為識別一般不是基于單一二維圖像進(jìn)行的，而是基于視頻片段進(jìn)行的。視頻片段可以看作是一個三維矩陣，由二維空間軸加上一維時間軸組成，可以表示為Ｓ＝｛ｆｔ（ｘ，ｙ）０≤ｘ≤Ｐ－１，０≤ｙ≤Ｑ－１，０≤ｔ≤Ｒ－１｝（１）在本文中，ｆｔ（ｘ，

價算法的性能，識別率定義為識別率＝分類正確的視頻片段數(shù)量視頻片段總數(shù)×１００％（２０）下面分別介紹兩個人體行為數(shù)據(jù)集下的實驗結(jié)果，然后對行為識別算法性能進(jìn)行綜合評價。２．２ＡＤＬ行為數(shù)據(jù)集實驗結(jié)果ＡＤＬ數(shù)據(jù)集中每一類行為都是１５個視頻片段，本文選用每一類行為的前５個視頻片段進(jìn)行訓(xùn)練，，構(gòu)建ＭＡＣＨ濾波器組、高斯模糊集中心及寬度參數(shù)集和多類ＳＶＭ分類器。然后用每一類行為剩余的１２個視頻片段進(jìn)行行為識別測試。本文算法得到的分類混淆如圖３所示。圖３ＡＤＬ數(shù)據(jù)集下本文算法的分類混淆目前在ＡＤＬ數(shù)據(jù)集上行為分類識別率排在前兩位的算法見文獻(xiàn)［２，７］，表１展示了本文算法的識別率與這兩種算法識別率的對比，其中，引用文獻(xiàn)的識別率結(jié)果出自對應(yīng)文獻(xiàn)。表１ＡＤＬ數(shù)據(jù)集的識別率結(jié)果算法識別率／％文獻(xiàn)［２］方法９１．０文獻(xiàn)［７］方法９６．０本文方法９６．０２．３ＵＣＦＳｐｏｒｔｓ行為數(shù)據(jù)集實驗結(jié)果ＵＣＦＳｐｏｒｔｓ數(shù)據(jù)集中每一類行為的視頻片段數(shù)量不同，本文仍選用每一類行為的前５個視頻片段進(jìn)行訓(xùn)練，剩余視頻片段進(jìn)行行為識別測試。本文算法得到的分類混淆如圖４所示。目前在ＵＣＦＳｐｏｒｔｓ數(shù)據(jù)集上行為分類識別率排在前兩位的算法見文獻(xiàn)［３，８］，表２展示了本文算法的識別率與這兩個算法識別率的對比，同樣地，引用文獻(xiàn)的識別率結(jié)·３４３４·

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李寧;須德;傅曉英;袁玲;;結(jié)合人體運動特征的行為識別[J];北京交通大學(xué)學(xué)報;2009年02期

2 張偉東;陳峰;徐文立;杜友田;;基于階層多觀測模型的多人行為識別[J];清華大學(xué)學(xué)報(自然科學(xué)版);2009年07期

3 吳聯(lián)世;夏利民;羅大庸;;人的交互行為識別與理解研究綜述[J];計算機(jī)應(yīng)用與軟件;2011年11期

4 申曉霞;張樺;高贊;薛彥兵;徐光平;;一種魯棒的基于深度數(shù)據(jù)的行為識別算法[J];光電子.激光;2013年08期

5 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標(biāo)和行為識別中的新進(jìn)展[J];中國圖象圖形學(xué)報;2014年02期

6 曾青松;余明輝;賀衛(wèi)國;李玲;;一種行為識別的新方法[J];昆明理工大學(xué)學(xué)報(理工版);2009年06期

7 谷軍霞;丁曉青;王生進(jìn);;基于人體行為3D模型的2D行為識別[J];自動化學(xué)報;2010年01期

8 李英杰;尹怡欣;鄧飛;;一種有效的行為識別視頻特征[J];計算機(jī)應(yīng)用;2011年02期

9 王新旭;;基于視覺的人體行為識別研究[J];中國新通信;2012年21期

10 王忠民;曹棟;;坐標(biāo)轉(zhuǎn)換在移動用戶行為識別中的應(yīng)用[J];北京郵電大學(xué)學(xué)報;2014年S1期

相關(guān)會議論文 前6條

1 苗強(qiáng);周興社;於志文;倪紅波;;一種非覺察式的睡眠行為識別技術(shù)研究[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

2 齊娟;陳益強(qiáng);劉軍發(fā);;基于多模信息感知與融合的行為識別[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

3 黃紫藤;吳玲達(dá);;監(jiān)控視頻中簡單人物行為識別研究[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

4 安國成;羅志強(qiáng);李洪研;;改進(jìn)運動歷史圖的異常行為識別算法[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

5 劉威;李石堅;潘綱;;uRecorder:基于位置的社會行為自動日志[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

6 左南;李涓子;唐杰;;基于SVM的肖像照片抽取[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

相關(guān)博士學(xué)位論文 前10條

1 邵延華;基于計算機(jī)視覺的人體行為識別研究[D];重慶大學(xué);2015年

2 仝鈺;基于條件隨機(jī)場的智能家居行為識別研究[D];大連海事大學(xué);2015年

3 馮銀付;多模態(tài)人體行為識別技術(shù)研究[D];浙江大學(xué);2015年

4 姜新波;基于三維骨架序列的人體行為識別研究[D];山東大學(xué);2015年

5 裴利沈;視頻中人體行為識別若干問題研究[D];電子科技大學(xué);2016年

6 周同馳;行為識別中基于局部時空關(guān)系的特征模型研究[D];東南大學(xué);2016年

7 徐海燕;復(fù)雜環(huán)境下行為識別特征提取方法研究[D];東南大學(xué);2016年

8 吳云鵬;集體行為的識別與仿真研究[D];鄭州大學(xué);2017年

9 何衛(wèi)華;人體行為識別關(guān)鍵技術(shù)研究[D];重慶大學(xué);2012年

10 吳秋霞;復(fù)雜場景下的人體行為識別[D];華南理工大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 唐小琴;基于全局和局部運動模式的人體行為識別研究[D];西南大學(xué);2015年

2 陳鈺昕;基于時空特性的人體行為識別研究[D];燕山大學(xué);2015年

3 任亮;智能車環(huán)境下車輛典型行為識別方法研究[D];長安大學(xué);2015年

4 金澤豪;并行化的人體行為識別方法研究與實現(xiàn)[D];華南理工大學(xué);2015年

5 王露;基于稀疏時空特征的人體行為識別研究[D];蘇州大學(xué);2015年

6 于靜;基于物品信息和人體深度信息的行為識別研究[D];山東大學(xué);2015年

7 章瑜;人體運動行為識別相關(guān)方法研究[D];南京師范大學(xué);2015年

8 趙揚;家庭智能空間下基于行走軌跡的人體行為理解[D];山東大學(xué);2015年

9 王曉龍;基于軌跡分析的暴力行為識別算法研究[D];上海交通大學(xué);2015年

10 張偉;智能空間下基于非視覺傳感器數(shù)據(jù)的人體行為識別方法研究[D];山東大學(xué);2015年

本文編號：2576107