基于主题模型的动态场景分类-软件工程专业论文.docxVIP

I I PAGE PAGE IV 基于主题模型的动态场景分类 中文摘要 基于主题模型的动态场景分类 中文摘要 场景分类是指根据特定意义对图像数据集进行自动标注，是当前计算机视觉领域 的一个研究热点。本文以动态场景为研究对象，以视觉词包-语义主题建模-动态场景 语义分类为主线，研究基于主题模型的动态场景分类方法。研究内容主要包括动态场 景视觉词典的构建，基于先验知识的消息传递主题模型建模以及动态场景语义分类的 实现。论文的主要工作如下： 1、针对现有主题语义场景分类方法大多局限于静态图像集，视觉单词生成方法 不能直接适用于动态场景的问题，在充分考虑动态场景中的空间和时间随机动态的情 况下，提出采用 SIFT（Scale Invariant Feature Transform）流特征描述的动态场景视觉 单词生成方法。该方法在特征提取阶段采用 SIFT 特征点，对尺度、旋转、仿射变换 具有稳健性，对静态图像帧中的局部信息也更具有较强的鲁棒性；在计算流场时，避 免了传统光流中对像素灰度值不变的假设，在相邻的图像帧之间以稠密的 SIFT 描述 子作为流场的基础，能够克服噪声点对流场计算的干扰。在量化阶段，针对视觉特征 量化为视觉单词丢失特征的空间位置信息问题，采用均匀分块的思想，按照 SIFT 流 的位置量化为视觉单词，解决了缺少空间位置信息的问题。实验证明，提出的动态视 觉词典生成方法能够得到较好的分类性能，该方法比采用灰度差分特征的描述方法分 类准确率平均提高了 10%左右。 2、针对传统主题模型（PLSA、LDA）在动态场景分类中训练时间长、分类精度 不高的问题，本文在研究 TMBP（Topic Model of Belief Propagation）模型的基础上， 提出一种引入先验知识的改进 Knowledge-TMBP 主题模型。该模型通过动态视觉单 词和图像文档间的逆向文档序数作为先验知识的表达，改写原始 TMBP 模型中的消 息传递，从而保证重要的视觉单词在主题推导中具有更大的决定性。 3、基于动态场景语义分类的应用。论文实现了基于提出的动态视觉单词、在 TMBP 模型以及 Knowledge-TMBP 模型下的动态场景分类。在包含 14 类动态场景的 数据库上做了相关的实验，对比分析了 PLSA、LDA、TMBP 和 Knowledge-TMBP 四 种主题模型以及低层时空特征的分类性能。实验结果表明，Knowledge-TMBP 模型的 中文摘要 基于主题模型的动态场景分类 训练时间比 PLSA、LDA 明显缩短，比 TMBP 模型训练时间稍长，但它的分类准确 率比其他三个模型有所提高。与低层时空特征 SOE（Spatiotemporal Oriented Energy） 的分类方法相比，该方法的分类召回率提高了 2%。 关键词：动态场景，SIFT 流，主题模型，先验知识，置信推理 作 者： 林卉 指导老师： 刘纯平 副教授 本文的研究工作受国家自然科学基金“基于显著性和信任传递的动态场景主题发 现”、 “基于二型模糊概率图模型的多摄像头目标跟踪研究” 的资助。 III III PAGE PAGE IV Dynamic Scene Classification Based On Topic Models Abstract Dynamic Scene Classification Based On Topic Models Abstract Scene classification is defined as automatic annotation according to the semantics of a given image for image data set. And it is currently a hot research direction in computer vision. In this paper, we take the dynamic scene as the research object and adapt the bag of visual words - semantic topic modeling - semantic classification of dynamic scenes as the main line. We study the dynamic scene classification method based on topic models. The study includes building dynamic scene visual dictionary, topic modeling by be