论文部分内容阅读
人体动作的表示和分类是计算机视觉方向中一个热门而且重要的研究课题。其主要包含兴趣目标的获取,动作的表示和特征提取,以及动作的分类三个部分。本文主要针对智能视频监控背景下人体动作的表示和分类展开探讨,着重分析人体动作的特征提取和分类问题。
本文选择时空体作为研究对象,采用基于泊松方程解的形状描述子对时空体进行特征提取。其中时空体能够同时记录时间和空间上变化信息,与动作的定义模式相吻合,能够很好地表示人体动作特征;采用的基于泊松方程解的形状描述子依赖随机行走时间来描述形状,可以较好的刻画人体动作的局部信息。为了与基于泊松方程解的局部特征特征提取能够互补,本文引入了加权中心矩对局部特征进行统计,得到以特征向量表示的全局特征。本方法同时能解决无先验知识的预处理过程引入的轮廓初始中心位置差异问题,从而提高了人体动作的描述能力。
对于动作分类过程,本文引入滑动窗口,将动作视频序列分解为叠合的晶格包,将每个晶格包表示为一个特征向量。该方法一方面将复杂的时间序列的匹配问题转化为常规的模式分类问题,另一方面不受动作定义的局限,避免了规定动作的开始和结束。另外,本文采用支持向量机作为最终的分类方法。
为了验证所提方法的有效性,在以色列魏茨曼科学院提供的人体视频数据库上进行了大量的实验,实验结果表明:本文所提时空体的特征提取方法要优于逐帧为对象的特征提取方法,总体上改进的特征提取和分类方法对人体动作的分类准确率超过94%,优于原有方法。另外,对人体有局部遮挡和角度变化两种情况的实验结果表明,本文所提方法对于人体局部遮挡不敏感,并且对动作的小角度变化有较好的鲁棒性。