基于分层分数条件随机场的行为识别.docVIP

精品文档（可编辑） 值得下载 基于分层分数条件随机场的行为识别 0引言 行为识别在人机交互、视觉跟踪、机器人、基于内容的视频检索等计算机视觉领域是一个非常活跃和有潜力的研究课题[1-2]。目前研究较多的条件随机场 （Conditional Random Field， CRF）模型[3-4]实现了在整个状态空间上的全局归一化分布，将丰富的上下境特征融合到模型中，但是CRF模型不能表达序列的子结构。为了解决这一问题，文献[5]提出了隐条件随机场（Hidden CRF，HCRF）模型，实现了空间相关性的建模，但是该模型是一种脱机识别模型。为了解决HCRF模型的实时性问题，文献[6]提出了隐动态条件随机场（LatentDynamic CRF， LDCRF），该模型训练姿态标记间的动态特性，可以直接标记未分割序列，但LDCRF模型对于行为转换时的标记存在偏差，无法直观地显示行为的转变。 针对LDCRF标记偏差问题，本文对该模型加以改进，提出了分层分数条件随机场（Stratified Fraction CRF， SFCRF）模型，模型分为上、下两层，分别训练，共同识别，互相补充校正，将该模型应用于人体行为识别，取得了较好的识别效果。 1分层分数条件随机场 1.1条件随机场模型 CRF是判别式马尔可夫模型的一种，CRF能够对观测序列的任意特征建模，能够适应重叠特