基于行為圖像區(qū)域的行為識(shí)別算法研究.pdf

1、靜態(tài)圖像中的行為識(shí)別近年來逐漸成為計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域一個(gè)活躍的課題。有些行為類別可以被單幅圖像清楚地描述，靜態(tài)圖像中的行為識(shí)別關(guān)注從單幅圖像中辨別行為。本文選擇7類常見行為搭建數(shù)據(jù)集，對(duì)基于行為圖像區(qū)域的行為識(shí)別算法進(jìn)行研究。
　　首先，本文研究了基于DPM模型的行為識(shí)別算法。傳統(tǒng)的行為識(shí)別方法往往使用整個(gè)人體包圍盒，本文僅選擇與行為相關(guān)的區(qū)域，即行為圖像區(qū)域。根據(jù)行為特點(diǎn)和樣本分布合理設(shè)置混合可變形部件模型的部件數(shù)量和行為

2、視角，判別訓(xùn)練得到行為模型。綜合考慮不同閾值下行為模型的查全率和查準(zhǔn)率等參數(shù)，為每個(gè)行為模型選擇最佳閾值。從行為模型對(duì)圖像預(yù)測(cè)的人體包圍盒中選擇匹配得分最高的作為對(duì)該圖像最終的行為表示。
　　其次，本文研究了基于行為核心區(qū)域加權(quán)融合的行為識(shí)別算法。僅選擇行為最本質(zhì)的部分，即行為圖像核心區(qū)域。使用混合可變形部件模型，判別訓(xùn)練得到行為模型。再與基于行為圖像區(qū)域的行為模型對(duì)圖像的匹配得分加權(quán)融合作為對(duì)該圖像最終的行為表示，增強(qiáng)行為模型對(duì)

3、行為全局和局部結(jié)構(gòu)的表達(dá)能力。
　　最后，本文研究了基于分布式行為圖像區(qū)域的行為識(shí)別算法。使用部件的新概念，即姿態(tài)，在關(guān)鍵點(diǎn)的結(jié)構(gòu)空間和圖像區(qū)域的表觀空間緊密聚集。將人體劃分成更加細(xì)致的部位，使用關(guān)鍵點(diǎn)注釋信息為各個(gè)姿態(tài)尋找具有相似結(jié)構(gòu)的圖像區(qū)域構(gòu)成樣本，使用線性SVM訓(xùn)練得到行為模型。每個(gè)姿態(tài)從不同角度刻畫了行為特點(diǎn)，姿態(tài)數(shù)量越多，對(duì)行為的描述就越全面。從行為模型對(duì)圖像的姿態(tài)響應(yīng)得分中，選擇符合閾值條件的得分相加之和作為對(duì)該圖像