研究生学位论文开题报告01讲述.pptx

开题报告 基于多分类器协同训练和融合的人体动作识别技术 报告人：景陈勇 指导老师：詹永照 2015年11月14日 提 纲 选题背景及意义 国内外研究现状 研究内容与方案 预期成果及创新点 工作安排 参考文献 一、选题背景及意义 随着影视、网络等媒体的迅速普及和发展，视频已成为信息的主要载体，且视频数据的数量呈爆炸式增长。面对海量涌现的视频数据，如果去自动获取。分析其中包含的内容就成为一个亟待解决的问题。 大多数视频记录的都是作为社会活动主体的人的活动，不论从安全、监控、娱乐，还是个人存在的角度，对视频中人体动作识别进行研究具有重要的学术和应用价值。 提 纲 选题背景及意义 国内外研究现状 研究内容与方案 预期成果及创新点 工作安排 参考文献 二、国内外研究现状 近年来，人体动作识别的研究任务也在逐步地发展，基于视觉的人体动作识别主要包括动作表示以及动作分类两个步骤。理想的人体动作表示方法不仅要应对人体外观，尺度，复杂背景，视点以及动作执行快慢等因素的影响，而且要包含足够的信息提供给分类器将各个动作类型区分开来。理想的动作分类器除了能够区分各种动作类型，还需要考虑如何有效加入和减少动作类型问题。有关人体识别方法中使用的动作表示及动作分类方法，近几年已经开展了这方面的研究。 动作表示 动作分类 动作表示（动作识别中常用特征分类） 类别 形式 静态特征 大小、颜色、轮廓、形状、深度 动态特征 光流、速度、速率、方向、轨迹 时空特征 时空形状、时空兴趣点、时空上下文 描述性特征 属性、场景、物体、姿态 动作识别（动作识别中常用分类方法） （1）基于模板的方法 基于模板的动作识别方法首先将运动序列转化成一个或者一组静态的模式，然后将识别样本的模板与预先存储的已知模板进行比较，根据相似度度量判别动作类别。 （2）基于概率统计的方法 基于概率统计的方法将动作中的每一个静态姿势定义为一个状态或者一个状态的集合，引入概率框架，可对动作时间或是空间上的微小变化进行概率建模，进而对输入的特征序列进行概率判决。 （3）基于语法的方法 基于语法的方法将人体动作描述为一连串的符号，每一个符号代表了动作中一个原子级的分解。 已有的研究方法的不足 基于模板的动作识别方法虽然实现简单，但缺乏鲁棒性，且无法反映特征数据的分布属性。例：K-近邻/最近邻分类器、动态时间规整（ Dynamic Time Warping） 基于概率统计的方法是目前主流的方法，应用广泛，存在的问题是需要大量的有标号数据来训练一个性能良好的分类器，但现实中的视频段数据大多是无标号的，比如实时的视频监控。并且不同的分类器之间也有差异。例：DBN、SVM 基于语法的方法虽然能对行为内部的不确定性和行为结果有很好的建模，但计算往往过于复杂，更多依赖于底层描述符号的精确度。例：基于文法的方法 1、传统的动作识别需要充足的有标号数据来训练一个良好的分类器，而现实中很多视频数据都是无标签的，如实时的视频监控。（标注瓶颈） — — 无监督，协同训练 2、传统的动作识别识别都是针对某一个特征空间的，而不同的特征对同一人体动作的描述能力并不相同（单一特征空间过于单一）——多特征空间 动作识别中有哪些问题 为了充分利用无标号数据，以及实现不同方法差异的优势互补。近年来有些学者也把多分类器协同训练用到人体动作识别中。如Liu等人提出了一种基于Boosting的协同训练框架，并在人体动作识别有了好的效果。 最先的协同训练算法假设数据有两个独立的视角（特征集），每个足以训练一个分类器。两个基分类器首先在有标号数据的两个视角上分别训练，然后各自分类无标号数据，并挑选自己最信任的一部分预测结果（伪标记数据）加入到对方的训练集中。后来也有学者对这一假设进行了弱化，提出一种单视角的协同训练方法，采用两个基于不同学习算法的分类器作为基分类器。 两个独立视角 单视角 提 纲 选题背景及意义 国内外研究现状 研究内容与方案 预期成果及创新点 工作安排 参考文献 三、研究内容与方案 3.1研究基于模板和概率相结合的分类器协同训练方法 （协同训练的原理，解决标签不足的问题） 研究内容： 分析目前已有的多分类器协同训练方法，并探讨这些分类器的差异性。研究出更能利用不同学习算法之间的差异进行分类器的迭代训练和相互促进的协同训练框架。 解决方案： 1、在基于概率统计的方法中，研究采用基于模板的分类器（KNN）和一个判别性分类器(SVM)作为基分类器协同训练方法。 2、根据视频段，获取相应的人体动作特征数据，并把他们分成有标签和无标签两组。 准备标记数据集L，未标记数据集U 用有标签数据L训练分类器h1和分类器h2； 把h1对U的