研究生开题翻译讲述.doc

开发人类行为分析的简单层次结构摘要 我们提出了一个在视觉场景数据驱动的人类活动分析方法在这种情况下的环境和设置可能有很大的不同，限制了预培训模方法的性能。因此，我们的正常模是建立在完全无监督的方式具体适应更新的。在许多监控情况下，自动检测系统异常，然后发出警告为了应付各种场合和环境，提出许多不同的方法，见[8]的调查这些方法大多数检测异常以前训练交通监控[10]，公共场所的监视[1]，和一个摄像头图像流[6]评估?。我们的工作目标是支持老人或残疾人自主生活一个可视化监控系统监测跌倒侦测是这种活动的监测系统的主要任务[18]。，建立基础规则的系统，预定义危险的良好。他们缺乏普遍适用 检查他们是否可以解释为一种时空数据库条目谜特定活动专用于一定范围内的活动另一种方法是提取关键帧和的概率估计所有这些系统的主要限制是它们标记培训数据的脱机的训练需要在这种监督方式，没有长期适应于特定的场景或人可以实现的。此外，没有任何训练序列包含了一整套的所有在一个更不受监督的设置，最近的工作[7]使用非常弱注明图像序列自主学习的行动 在本文中，我们建议在一个完全无监督的方式正常的人类行为模该模型包括如图所示。第一阶段是人的外貌编码自上而下的，?，是个字下而上的分析过程。事实上，给定一个图像序列中，我们首先将图像描述观察的有限符号。其次，我们分析符号序列。因为他们通常对应于基本身体动作我们这些序列微行动最后，通过时间在一天或一个星期和空间评估在运行时，这种结构被用来作为一种常态模型这看不见的数据进行比较。外观统计离群和行动在不同层次的鲁棒性。另外我们介绍如何更新这个模型，以便纳入新观察到的正常情况。 （1） 描述一个任意特征空间Χ中的图像。我们的目标是把类似的形象描述在一起，在一个紧凑的表单中营造一个代表数据有限数量簇。因此，我们使用一个k 聚类算法[11]，应用层次自上而下训练数据根节点簇描述了所有XS。分成了k子簇这个过程反复进行，直到某个停止准则得到满足，例如当数据点在集群数量过于小。树状结构图H1创建一个分层，向下移动的树结构更加具体而根节点群集描述所有的训练集X和由此出大方差，在较低层只包含相似的数据，因此，更精确地描述这些数据。最终，每个特征向量映射到X一个符号相应的叶节点簇。图像流相应的符号序列，即 (2) 为了获得紧凑型集群，我们删除分配一个叶子节点的群集匹配在运行时使用，所有获得集群它们的中心与距离的分布我们证明了输入图像中的树状结构簇的映射。它含有多种，如散步，遮挡物后面走，坐不同的椅子，等，反复几次。前景斑点提取我们输入图像应用背景减法。由此产生的轮廓重新调整到一个固定的像素（在我们的例子4040）和一个符号距离变换的应用。最大和最小的像素值范围获得非负值（比照图）。。 距离测定 比较聚类过程中的特征向量距离测度，我们使用检验统计量。两个样元素和（n）n = 1···N 这就是说，轮廓特征的提取和集群（K = 2）H1层次结 构。其结果是可视化图?4，其中一组随机的轮廓显示为每个不同层次的集群。。图2所描述的，我们从（2）符号R序列开始。。我们的目标是利用此序列中信息提取我们称之为微频繁模式。他们可变长度自然层次结构，因为更多的信息。我们的灵感来自菲德勒等[9]工作其中通用视觉在层次结构相结合，更高层次上形成整个对象。在每个只统计部分选择，。由于我们的输入是一个一维状态序列，我们暂时相邻的通用（微作）新的结合，更丰富的层次组合。 更，我们首先定义了一套基本动作符号序列编码状态只考虑经常发生的变化，变化参数。从第二个，长度更高层次的微是的组合，即频率条件自然引入对微的最大长度的限制（微长频率出现）。该符号是一个特征向量任何叶节点的群集不匹配，从任何一个描述排除。我们希望国家标签（他们甚至不能一个明确的标签，因为它们是通过一个无监督程序学习）和我们提出的的方法依赖更多的假设，在目标的情况，正常行动很可能会重。 这一事实时间模式提取。总而言之，我们通过模式不断取代原有的符号序列和我们可以表示为一系列长度不同的微图像流，微可以重叠，这与观测的相符，往往没有明确的界限可以定义 举例 动作识别 我们一个公开的动作识别数据[13]说明微选择两个右臂（左和停左）。另外有两个序列介绍行走，他们贴在一起，如图所示5分析。数据集中提供了二进制剪影?。绘制的符号序列的程序获得。有意义的微如果我们用同样的程序描述前面室内训练视频，符号序列复杂，在不同层次出现各种重复。图?6一个选择。该系统将需要不断地报告活动，他们可以手动标记便于人类（走，坐下，站起来，从地上捡了）。直觉对应基本动作表明在中监督的方式分离及分类有可能在本节中，我们将建立正常模型如何图像运行分析。将负责跟踪和外观解释，H2用于行动的解释。在这两个层次，