基于多慢特征融合的人體行為識別研究.pdf

1、隨著計算機及網絡技術的迅猛發(fā)展，多媒體信息已經滲透到人們生產生活的各個方面，并且在近年來呈現出信息交互頻繁、數據海量增長、云端服務日益完善的發(fā)展特點。視頻作為載有文字、圖像、音頻等信息的文件形式，在海量數據中占有重要的地位。在大數據時代的背景下，面對大量視頻數據的智能分析需求，計算機視頻領域的相關研究和應用顯得更加突出。作為計算機視頻領域的重要一部分，人體行為識別在視頻監(jiān)控、視頻內容分析和人機交互等方面具有廣泛的應用前景。人體行為識別關

2、鍵在于特征的提取，因此提取的特征也是影響識別結果的決定性因素之一。針對特征的提取，近三十年來國內外的高校、科研機構對人體行為識別進行了廣泛深入地研究，取得了豐碩的學術成果，推動了人體行為識別研究向更高更深的層次發(fā)展。
　　本文研究的是基于多慢特征融合的人體行為識別方法，首先提取多種局部特征，對其進行慢特征分析，計算形成相應的慢特征，然后采用底層特征組合和高層特征融合的方法，對單人行為和多人行為進行識別。論文介紹了多慢特征融合方法所

3、涉及到的基本理論和方法，重點分析慢特征分析學習策略和融合方法的特點，在此基礎上提出了基于多慢特征融合的人體行為識別方法。本文的主要研究內容包括多慢特征分析和多慢特征融合兩個階段。
　　在多慢特征分析階段，首先提取梯度方向直方圖、光流直方圖和尺度不變特征轉換直方圖三種特征，然后采用帶監(jiān)督的慢特征分析方法學習每種特征的慢特征函數，之后根據學習得到的慢特征函數，選擇累積導數平方的形式計算得到上述每種特征對應的慢特征，從而表達視頻中變化緩

4、慢的時空信息，最終形成多慢特征。
　　在多慢特征融合階段，本文分別采用底層特征組合和高層特征融合的方法對多個慢特征進行融合。對于底層特征組合，本文直接將上述三種慢特征向量級聯形成組合特征向量，然后送入支持向量進行分類;對于高層特征融合，本文將上述三種慢特征分為訓練樣本和測試樣本，對該樣本訓練得到不同慢特征的交叉驗證精度參數，將其作為高層特征融合的權值，然后對每種慢特征分別采用支持向量機對人體行為進行分類，得到各自的分類結果，將每種