一种基于判别式聚类的人体行为识别方法

摘要

人体行为识别与视频分类领域，研究投入逐年增大。近年来，相关产业发展迅猛，如视频监控、智能安防和人机交互等，人体行为识别与视频分类技术在不久的将来还将有着更广阔的市场空间和应用前景。行为识别算法涉及视频数据预处理、特征提取、特征编码、数据降维、聚类分析、模型学习等诸多领域。当下行为识别的研究重心逐渐从底层特征设计转移到模型搭建和中层语义特征提取上。本文从中层语义特征角度，对已有研究成果与现存问题予以比较分析和归纳总结，并做出以下工作：
　　首先，本文概括分析了行为识别中常见的聚类分析算法，针对经典聚类分析算法对初值敏感、聚类中心数目需要人为设定、算法易陷入局部极值、采用欧氏距离不能准确度量特征相似度等问题，给出了一种基于类别的层次聚类分析算法。聚类的目的是为了让特征空间中聚类团簇的类内聚合度高而类间差异度大，为此，算法计算每一类行为在不同聚类中心数目下，类内与类间聚类团簇的相似指标。本文通过分析随聚类中心数目改变，相似度指标的变化趋势，获得类内聚合度、类间差异度的平衡点，这个平衡点对应的聚类中心数目就是本文自适应聚类分析算法得到的聚类中心数目。
　　其次，笔者还构建了判别式聚类分析算法。由于，底层特征、局部特征对视频描述力有限，有效信息被淹没在海量的冗余数据之中，因此对底层信息的总结提炼紧迫且重要。为获取更加有效的中层语义特征，本文提出了判别式聚类分析算法。算法剔除既有聚类团簇中的奇异点，使聚类中心支撑点纯粹度更高。同时，算法对聚类团簇的支撑点数目提出要求，聚类团簇中隶属于某一行为类别的支撑点数目越少，则团簇聚类中心对应该行为的代表性越弱，算法剔除该聚类中心。因此，添加聚类中心支撑点在对应类别的数目约束可以强化聚类中心的表达能力。此外，在迭代过程中，本文算法还将不断削去判别性不足的聚类中心及其支撑点。本文判别式聚类分析算法所求取的聚类中心避免了经典聚类分析算法的弊端，还具有更加优异的判别性、表达性和行为类别纯粹性。
　　再次，本文设计了联合三层语义特征的分类模型，即添加类别约束的隐变量支持向量机(CC-LSVM，Category Constraint Latent Value Support Vector Machine)分类器。为优化底层特征、中层语义特征的识别结果，本文有针对性的提出了高层语义特征。因为，底层特征进行行为识别和视频分类是非语义信息到语义信息的跨越，所以，这种跨越易产生“语义鸿沟”。为连接“语义鸿沟”，论文给出了中层语义特征的构建方法。为建立语义关联，本文提出了能够综合运用三层语义信息的判别模型CC-LSVM，实现多层语义行为分类模型，进一步优化了识别结果。
　　文末，归纳了本论文的重要研究内容，并提出了未来探索的方向。

目录

封面

声明

中文摘要

英文摘要

插图索引

表格索引

符号对照表

缩略语对照表

目录

第一章绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 论文主要研究内容及章节安排

第二章人体行为识别的中层语义特征发展现状分析

2.1 引言

2.2 人体行为识别公共视频数据库

2.3 中层语义特征

2.4 经典聚类分析算法

2.5 本章小结

第三章一种新的判别式聚类分析算法

3.1 引言

3.2 提取视频底层特征描述子

3.3 基于类别的层次聚类分析算法

3.4 判别式聚类分析算法框架

3.5 本章小结

第四章一种改进的隐SVM人体行为识别新方法

4.1 引言

4.2 构建高层语义特征

4.3 CC-LSVM 模型

4.4 本文识别算法框架与仿真分析

4.5 本章小结

第五章全文总结与展望

5.1 全文总结

5.2 未来展望

参考文献

致谢

作者简介