视频中及人体动作行为识别,硕士论文PPT.ppt

* 行为特征分类识别 多任务大边界最近邻与支持向量机行为识别方法： * 人体动作行为识别—支持向量机 * * 有很多个分类器（超平面）可以把数据分开 H1，H2——支持向量 H——分类器（超平面） * 打分的机制: 1、先用多任务大边界最近邻计算出测试样本特征与带标签的训练样本的k近 邻样本特征并依次赋权值（也即打分）如：k，k-1，……，1，也就是距离越小权值越大； 2、用线性支持向量机对测试样本进行分类对其分类所属类别赋权值如：2*k-1，最后把相同标签的权值相加，得分最高的类别，即为测试样本所被决定类别。 多任务大边界最近邻与支持向量机行为识别方法： * * 其它识别方法 * 稀疏描述与稀疏编码行为识别方法 潜在狄利克雷分配(LDA)模型识别方法 词频-逆向文档频率(TF-IDF)识别方法 * 实验结果 网络数据库及其与KTH混合数据库用LDA模型识别结果: (a) (b) (c) 分两组数据一组训练，另一组测试 * Fight Run Stretch Walk Accuracy(%) Fight 15 0 0 0 100 Run 1 18 0 0 94.74 Stretch 0 0 19 0 100 Walk 0 1 0 31 96.97 总体识别率：97.67% IVIPC视频数据库识别结果与分析 * * 训练集（Training set 60）：打架13、跑步15、伸手18、走路14 测试集（Testing set 86）:打架15、跑步19、伸手19、走路33 IVIPC据库 * 稀疏描述、稀疏编码、局部约束线性编码识别结果比较 IVIPC视频数据库识别结果与分析 * Fight Stretch Run Walk Box Handclap Accuracy(%) Fight 15 0 0 0 0 0 100 Stretch 0 19 0 0 0 0 100 Run 1 0 81 1 0 0 97.59 Walk 2 0 6 112 0 2 91.80 Box 0 7 0 0 165 4 93.75 Handclap 0 0 0 0 3 16 84.21 总体识别率：94.01% IVIPC与KTH混合视频数据库识别结果与分析 * * 训练集（Training set 183）打架13、伸手18、跑步40、走路55、击拳32、鼓掌25 测试集（Testing set 434）打架15、伸手19、跑步83、走路122、击拳176、鼓掌19 IVIPC数据库与KTH数据库混合 * IVIPC与KTH混合视频数据库识别结果与分析 (a) (b) (c) 图4-7 (a) SVM识别结果，(b) tf-idf+ Cosine Similarity识别结果，(c) 用文[49]方法时空兴趣点特征 ( Interest point feature )识别结果 * Weizmann与KTH视频数据库识别结果及其与一些方法比较 * * 留一交叉验证（LOO: Leave-One-Out Cross-Validation） Weizmann数据库 K=N，总体识别率97.80% * Weizmann与KTH视频数据库识别结果及其与一些方法比较 本文方法在KTH数据库识别结果: * * Weizmann与KTH视频数据库识别结果及其与一些方法比较 方法 Weizm KTH 方法 Weizm KTH 方法 Weizm KTH 本文 97.80% 93.84% 文[22] 97.80% 93.60% 文[50] - 91.80% 文[6] - 95.33% 文[23] - 93.70% 文[51] - 95.33% 文[7] 90% 83.33% 文[25] 100% 92.70% 文[52] 96.66% 93.17% 文[8] 100% 91.20% 文[26] 100% - 文[53] - 94.16% 文[9] - 92.31% 文[27] 95.66% - 文[54] - 89.92% 文[10] 98.8% 91.70% 文[28] 98.92% 93.08% 文[37] - 95.0% 文[16] 82.60% - 文[44] - 71.70% 文[55] - 94.80% 文[18] 97.8% 94% 文[48] - 94.53% 文[56] 98.90% 95.10% 文[21] 100% 92.70% 文[49] - 81.17% 文[59] - 80.09 文[60] 93.75% 88.66% 文[61] 100% - 文[76] 97.50% 95.10% 文[85] 100% 95.77% 文[86] - 94.1% 文[89] - 93.8% 文[90] - 88.30%