基于视频特征的多人行为识别研究-信号与信息处理专业论文.docxVIP

万方数据 万方数据 南京邮电大学学位论文原创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的研究成果。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过 的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。 与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。 本人学位论文及涉及相关资料若有不实，愿意承担一切相关的法律责任。 研究生签名： 日期： 南京邮电大学学位论文使用授权声明 本人授权南京邮电大学可以保留并向国家有关部门或机构送交论文的复印件和电子文 档；允许论文被查阅和借阅；可以将学位论文的全部或部分内容编入有关数据库进行检索； 可以采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质 论文的内容相一致。论文的公布（包括刊登）授权南京邮电大学研究生院办理。 涉密学位论文在解密后适用本授权书。 研究生签名： 导师签名： 日期： 摘要 群体行为识别是计算机视觉领域研究的重点和难点之一，现有的群体行为识别算法大多 都是需要准确的前期处理和后期的复杂建模，整个流程比较繁琐，并且模型复杂导致控制变 量较多，鲁棒性不强。姿态是一个能够很好的描述身体关键点分布的特征，行为属性是一个 能够很好描述行为的高层语义特征。本文以此为基础提出了两种群体行为识别算法。 第一种是改进的基于姿态特征的群体行为识别算法。针对原始姿态特征在描述群体行为 上的不足，对基于姿态的特征描述进行改进，并且增加一个对姿态特征互补的特征描述-梯度 特征。在训练阶段，对视频序列根据实际情况进行视频块的划分以及视频帧栅格的划分，得 到改进的姿态特征描述符。根据栅格立方体，可以得到梯度特征描述符。这两种特征融合能 够更好的对群体行为进行描述。 第二种是基于属性的群体行为识别算法。针对把特征描述符直接关联到类标签造成信息 损失的问题，我们考虑使用高层语义概念-行为属性来对群体行为进行表示。这里的行为属性 主要是分为两个方面，一个是人在视频中观察得到-人工标记属性，另一个是根据信息理论从 数据中自动学习得到-数据驱动属性。这两个方面联和能够更好的对群体行为进行描述。 在 CAD1 和 CAD2 两个数据集上的实验结果表明了算法的有效性和稳定性。 关键词: 群体行为，姿态，特征融合，行为属性，数据驱动属性 I Abstract Collective activity recognition is one of the hottest discussed and the most difficult research areas in computer vision. Nowadays, most recognition algorithms rely on the pre-processing algorithms and complicated models. Poselet is an efficient feature to describe the distribution of key points and action attributes are high-level semantic feature which can describe collective activity well. Both poselet and action attributes are good description of collective activity, based on which two recognition algorithms are proposed in this thesis. One is an improved recognition algorithm for collective activities based on poselet feature. As the poselet feature is lack of describing group behaviour recognition, we improve the description of poselet feature and add a complementary feature-gradient feature descriptor. During the training phase, the video sequence is divided and the picture frame is divided into grid cells. We use t