基于有效性的聚类算法在多视图同类行为特征数据分析中的应用

摘要

如今，人们对便捷化和智能化生活的需求越来越多，基于视觉的人体行为识别分析被广泛的应用在人机交互，安全防护，教育教学等领域。因此，高准确率的实现行为的识别和分析具有极大的价值和实际意义。但是由于行为的模糊性、关联性和多样性，造成了行为特征数据结构的难以预料性，从而导致在对行为特征数据进行聚类分析时，难以判断聚类效果的优劣。本文在多视角行为识别的背景下，结合不同的聚类算法对聚类有效性进行了一定的分析和研究，并将结合有效性指标的不同聚类算法应用于多视角的行为特征数据的分析和建模中，取得了良好的效果。
　　本文阐述并分析了数据在未知划分的情况下，其聚类的有效性，并对常用的有效性指标进行介绍，借鉴各有效性指标的优势，提出了一种结合类内紧致性和类间分离度的有效性指标(CS)。为验证该有效性指标的有效性，本文将有效性指标与FCM，GK，GG三种聚类算法分别结合，并通过实验分析将改进的有效性指标与其他指标进行比较，验证了该指标的有效性。
　　从IXMAS多视角视频库的视频中提取时空特征点，并对五个视角下的同一行为建立递归图，得到多视角行为特征数据，然后通过对行为特征数据进行聚类，得到行为识别模型，并以此作为行为测试模板，最后对行为进行测试，判断是否为同一行为。其中，聚类的效果对最终的行为识别有着重要的影响。良好的聚类效果有助于建立一个好的行为识别模型，提高行为识别率。本文将基于有效性指标的不同聚类算法应用到多视图同类行为特征数据的分析中，将该有效性指标分别与FCM、GK以及GG三种聚类算法相结合，并分别对多视角下的走路(walk)、踢腿(kick)以及坐下(sit down)三种行为的特征数据进行分析。根据有效性指标的评价以及多段测试视频的验证结果，证明了该指标能够有效地判定最佳的聚类数，为后期根据聚类结果建立良好的行为模板提供了坚实的基础。

目录

摘要

1 绪论

1．1 研究背景及意义

1．2 国内外研究现状及主要研究方法

1．2．1 聚类分析

1．2．2 聚类有效性指标

1．2．3 行为识别

1．3 论文主要内容与结构安排

2 聚类中判断聚类有效性的指标

2．1 聚类有效性指标及其约束条件

2．2 聚类有效性指标分类与分析

2．2．1 外部评价指标

2．2．2 内部评价指标

2．2．3 相对评价指标

2．3 几种常见的模糊聚类有效性指标

2．3．1 PC指标

2．3．2 PE指标

2．3．3 Xie-Beni指标

2．3．4 S．H．Kwon指标

2．3．5 Rezaee指标

2．4 一种改进的聚类有效性指标(CS)

2．4．1 类内紧致性

2．4．2 类间分离度

2．4．3 有效性指标(CS)

2．5 本章小结

3 基于有效性指标(CS)的聚类算法研究

3．1 聚类分析概述

3．1．1 基于划分的方法

3．1．2 基于分层的方法

3．1．3 基于密度的方法

3．1．4 基于网格的方法

3．1．5 基于模型的方法

3．2 FCM聚类算法

3．2．1 算法概述

3．3 GK聚类算法

3．3．1 算法概述

3．4 GG聚类算法

3．4．1 算法概述

3．5 实验结果与分析

3．5．1 实验数据集

3．5．2 有效性指标聚类数比较

3．6 本章小结

4 聚类算法在同类行为特征数据分析中的应用

4．1 行为识别相关知识

4．2 同类行为特征数据分析中存在的问题

4．3 不同改进聚类算法在特征数据分析中的应用

4．3．1 视频行为数据库

4．3．2 行为特征数据

4．3．3 不同聚类算法应用

4．4 实验结果与分析

4．5 本章小结

5 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

攻读硕士期间发表的论文

声明