結合全局和局部特征的人體行為識別技術研究.pdf

1、針對近些年來模式識別在計算機視覺領域的相關研究，越來越多的學者、互聯網公司愿意花高成本高代價投入到智能人體行為識別技術中來，可見對視頻中人體行為進行智能識別已經顯現出極高的學術價值和商業(yè)價值?，F階段的人體行為識別更多的還只停留在對簡單背景下人體的簡單肢體動作，比如走、跑、跳、彎腰、拍手等行為進行識別，當視頻場景中干擾因素太多，或者對識別的準確率和實時性有較高要求時，就目前提出的相關算法，往往不是太過單一，就是運算速度太慢，或者識別率太低

2、。
　　行為識別的步驟大致分為行為特征提取，特征訓練和特征分類識別三步。本文在參考了大量國際論文和先進算法后，針對上述特征描述的有關問題，在特征提取階段，提出了一種全新的特征描述子——PE-Cuboid用來表征人體行為，將目前應用較廣泛的全局特征像素變化概率圖（PCRM）、邊緣方向直方圖（EOH）和局部特征立方體（Cuboid）描述子相結合，有效克服了在提取單一特征時所提取的特征不能完整表征人體行為的缺點；在訓練分類器階段，本文還

3、對比了多種機器學習方法，分別使用傳統(tǒng)的碼本（Codebook）和詞袋模型（bag-of-words），字典學習和稀疏編碼分別訓練得到行為特征描述，最后使用支持向量機（SVM）對行為特征描述序列打分識別，得分最高的即為識別結果。另外不同于傳統(tǒng)特征融合單純的疊加或平鋪特征，本文在融合混合特征時算法也有改進。
　　本文算法通過Matlab進行仿真，對目前公開的KTH、Weizmann標準行為數據庫和本文自建測試行為視頻中均做了測試，并針