隨著視頻監(jiān)控、智能家居和智能駕駛等領域的高度發(fā)展,人體行為檢測與識別展現出龐大的市場需求和極大的科研價值。實際應用中,視頻的拍攝角度、背景光線、人體特征的多變性與人體各行為間的聯系等諸多因素,使得基于特征屬性的人體行為檢測與識別成為研究人員關注的重點。本文提出了一種基于特征提取的偶見動作行人檢測的方法,針對因行人肢體動作過大,如彎腰、蹲下等導致識別率降低的問題,彌補了現有技術的不足,在行人數據上進行測試分析,并采用其他方法再度實驗對比,使得該方法的有效性得到了充分的證明。提出了一種基于張量的圖匹配行為識別方法,考慮到空間和時間復雜性的問題,首先從原始視頻中提取特征,經過一定的處理,形成高階特征描述符;利用提取的高階特征進行學習訓練,通過學習算法實現分類并在公開的行為數據上進行測試,實驗結果驗證了該方法的有效性。提出了一種基于特征學習圖匹配的行為識別方法,該方法的關鍵是學習類模型圖,從而完成匹配識別。結合結構化支持向量機和中層SIFT特征進行學習,并在KTH和UCF50行為數據集上進行了實驗,同時選取不同的算法進行實驗分析對比。統計結果表明此方法的識別性能突出,驗證了基于特征學習圖匹配的...

【文章頁數】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
專用術語注釋表
第一章 緒論
    1.1 選題背景及意義
    1.2 相關技術研究現狀
        1.2.1 行人檢測研究現狀
        1.2.2 行為識別研究現狀
    1.3 本文的內容結構
第二章 行人檢測與行為識別數據集
    2.1 行人檢測數據集
    2.2 行為識別數據集
第三章 基于特征屬性的偶見動作行人檢測
    3.1 引言
    3.2 特征提取
        3.2.1 圖像預處理
        3.2.2 HOG特征提取
    3.3 SVM訓練
    3.4 實驗結果與分析
        3.4.1 創(chuàng)建標準數據集
        3.4.2 實驗與結果分析
    3.5 本章小結
第四章 基于高階特征圖匹配的行為識別方法
    4.1 引言
    4.2 特征提取
        4.2.1 預處理
        4.2.2 SIFT特征描述
        4.2.3 高階特征描述行為特征
    4.3 基于高階特征圖匹配的識別算法
    4.4 實驗結果與分析
        4.4.1 UT-Interaction數據
        4.4.2 實驗結果
    4.5 本章小結
第五章 基于特征學習圖匹配的行為識別方法
    5.1 引言
    5.2 行為特征的中層表示
    5.3 中層行為特征學習匹配
        5.3.1 學習特征圖模型
        5.3.2 基于圖匹配的識別算法
    5.4 實驗結果與分析
        5.4.1 KTH行為數據集
        5.4.2 實驗結果
    5.5 本章小結
第六章 總結與展望
    6.1 本文總結
    6.2 研究工作展望
參考文獻
附錄 攻讀碩士學位期間申請的專利
致謝



本文編號：3742068