基于概率图模型的动作识别-通信与信息系统专业论文.docxVIP

万方数据 万方数据 学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研 究所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人 或集体已经发表或撰写过的科研成果。对本文的研究作出重要贡献的个人和集 体，均已在文中以明确方式标明。本声明的法律责任由本人承担。 学位论文使用授权声明 本人在导师指导下完成的论文及相关的职务作品，知识产权归属郑州大学。 根据郑州大学有关保留、使用学位论文的规定，同意学校保留或向国家有关部 门或机构送交论文的复印件和电子版，允许论文被查阅和借阅；本人授权郑州 大学可以将本学位论文的全部或部分编入有关数据库进行检索，可以采用影印、 缩印或者其他复制手段保存论文和汇编本学位论文。本人离校后发表、使用学 位论文或与该学位论文直接相关的学术论文或成果时，第一署名单位仍然为郑 州大学。保密论文在解密后应遵守此规定。 摘要 摘要 摘要 随着计算机技术的快速发展，智能设备功能的健全，计算机视觉技术也随 之快速发展，由此产生的包括智能视频监控在内的各项研究成果都被广泛应用 于日常生活中，准确识别人体的动作成为应用的关键。动态贝叶斯网络是最典 型的概率图模型之一，可以用于表示随机变量间动态的因果关系，而人体动作 就是一个变化的过程，所以，在本文中将动态贝叶斯网络用于动作识别，主要 做了以下两方面的工作。 第一个工作是基于动态贝叶斯网络的人体动作识别，该方法用到的数据库 为 MSR Action3D 人体动作数据库，对该数据库提取位置特征和运动特征，对这 两种特征数据进行归一化、PCA 降维处理，就得到动作训练过程所需要的数据。 随后将这些特征数据作为观测数据，将两种特征分别看做一个高斯混合模型， 建立一个动态贝叶斯网络，紧接着就是参数学习过程，采用的参数学习方法是 不完整数据集下的 EM 参数学习算法，该方法可以较准确的估计参数，从而提 高分类过程的识别率。该方法求得的交叉测试的识别率高于其他的参考文献， 并且对于复杂动作数据集 AS3 来说识别率也有所提升。 将概率图模型用于动作识别的第二个工作是基于训练数据的初始化运用到 动作识别，该方法不需要反复训练找到合适的模型参数，从而大大减少动作训 练的时间，解决了随机初始化带来的耗时问题。该方法首先把观测数据进行时 间分隔，然后分别求每个子序列的平均值，这个平均值即为 K-means 算法的初 始化中心，接着初始化高斯混合成分的参数，随后参数学习，概率推理，完成 动作识别的整个过程。相比于随机初始化方法，该方法提升了识别率，并且对 于复杂动作 AS3 来说，可以达到随机初始化找到的最高识别率，可以实现识别 率与耗时的均衡，更能满足实际应用的需求。 关键词：概率图模型 动作识别 动态贝叶斯网络 基于训练数据初始化 I Ab Abstract Abstract With the rapid development of computer technology, intelligent equipment functions become more perfect, computer vision technology has been rapid development, produced a lot of research results, including intelligent video surveillance, is widely used in daily life, accurately recognition the action becomes the key to the application. Dynamic Bayesian network is one of the most typical probability graph model, it can catch dynamic relationship between random variables, and the human action is a process of dynamic, so, in this paper, dynamic Bayesian network is used for action recognition, mainly to do the work in following two aspects. The first work is human action recognition based on Dynamic Bayesian network, the database is MSR Action3D human action database. The database extraction th