基于視覺(jué)的行為識(shí)別是指將包含某種行為的視頻或者圖像序列標(biāo)注為正確的類(lèi)別標(biāo)號(hào)。行為識(shí)別技術(shù)可用于視頻監(jiān)控、無(wú)人駕駛、人機(jī)交互、體育視頻分析等眾多領(lǐng)域,具有廣泛的應(yīng)用價(jià)值。行為識(shí)別研究涵蓋特征提取、行為描述與表示以及分類(lèi)器設(shè)計(jì)等諸多問(wèn)題,涉及計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)、模式識(shí)別等多學(xué)科的交叉,是近年來(lái)人工智能領(lǐng)域研究的熱點(diǎn),具有重要的研究意義。本文在綜合敘述國(guó)內(nèi)外相關(guān)文獻(xiàn)基礎(chǔ)上,對(duì)基于稀疏表示模型的行為識(shí)別方法進(jìn)行了深入研究。各種行為類(lèi)內(nèi)差異和類(lèi)間差異的表示是行為識(shí)別中的關(guān)鍵問(wèn)題,近年來(lái)基于稀疏表示的分類(lèi)模型(Sparse Representation based Classifier,SRC)在模式識(shí)別領(lǐng)域獲得廣泛應(yīng)用,SRC能在一定程度上解決上述差異問(wèn)題。稀疏模型中通過(guò)對(duì)每個(gè)行為類(lèi)別單獨(dú)學(xué)習(xí)字典,使字典中的原子盡可能包含不同的形態(tài),從而將類(lèi)內(nèi)差異包含進(jìn)來(lái);對(duì)不同行為分別學(xué)習(xí)的字典則能體現(xiàn)類(lèi)間差異。本文對(duì)稀疏表示相關(guān)理論進(jìn)行了深入研究,重點(diǎn)研究基于稀疏表示的行為識(shí)別算法。課題的主要研究?jī)?nèi)容如下:(1)研究了一種基于視頻局部時(shí)空特征在級(jí)聯(lián)字典上最近鄰原子表示的行為識(shí)別方法。傳統(tǒng)的SRC分類(lèi)器在識(shí)...

【文章頁(yè)數(shù)】：109 頁(yè)

【學(xué)位級(jí)別】：博士

【部分圖文】：

圖2-3局部特征塊示意圖

3Hdet(u)ktrace(u)的參數(shù)。H矩陣中的局部極大值點(diǎn)即是時(shí)空關(guān)鍵檢測(cè)的關(guān)鍵點(diǎn)一般比較少，會(huì)導(dǎo)致提取的信息不空濾波的方式直接對(duì)視頻進(jìn)行卷積操作，其運(yùn)動(dòng)22**(**)evodR（Igh）Igh矩陣，g(....

圖2-7Weizmann人體運(yùn)動(dòng)數(shù)據(jù)庫(kù)樣例Fig.2-7FramesamplesofWeizmanndataset

燕山大學(xué)工學(xué)博士學(xué)位論文究者廣泛采用的基準(zhǔn)數(shù)據(jù)庫(kù)，包含了Bend、Jack、JumpFoce(P-jump)、Run、gallopSideways(Side)、Skip、Wa、Wavetwohands(Wave2)總共10個(gè)常見(jiàn)的人體動(dòng)作，每幀視頻采樣速率為2....

圖2-9SVM與KNN在Weizmann上的識(shí)別混淆矩陣圖

（c）KNNDim=60（d）KNNDim=70圖2-9SVM與KNN在Weizmann上的識(shí)別混淆矩陣圖Fig.2-9ConfusionmatrixofSVMandKNNonWeizmanndataset.7本章小結(jié)介紹了一種典型的行為識(shí)....

圖4-3FacialExpressions數(shù)據(jù)庫(kù)樣例Fig.4-3ExampleframesfromFacialExpressionsdataset

圖4-3FacialExpressions數(shù)據(jù)庫(kù)樣例Fig.4-3ExampleframesfromFacialExpressionsdataset.2決策函數(shù)NA-PC與NA-AC圖4-4給出了NA-AC與NA-PC在FacialExp....

本文編號(hào)：3900834