视频中的人体动作行为识别-硕士论文PPT.pptVIP

答 辩 人：覃耀辉 专 业：信息与通信工程 指导老师：李宏亮 答辩日期：2011.5.19 智能视觉信息处理与通信实验 qinyaohuiwxj@163.com /project/har_qyh/;;提 纲;Help！！！;*;本文的主要工作及贡献;特征性质： 1、它能够体现目标全局运动信息； 2、它能够体现运动目标的宏观运动状态； 3、它能够体现目标的运动趋势； 4、它能够体现运动目标的边缘轮廓信息； 5、它能够体现运动目标的运动细节信息； 6、能从视频中提取到的这种特征不能太多。;提 纲;人体行为识别框架;;;*; ;*;边缘梯度特征提取实例演示;输入视频 ;光特征提取实例演示;*;构造PEMO时空金字塔特征;pHOG、pHOOF;*;*;;1. 提取全局与局部特征 (descriptors /features) (像素变化直方图、边缘直方图、 运动直方图、光流) 2. 字典学习 (codebook/dictionary) (在线字典学习) 3. 降维 (稀疏降维——SPCA) 4. 稀疏编码 (LLC编码——Locality-constrained Linear Coding) 5. 训练支持向量机超平面分界线 ( 线性核支持向量机——LSVM) 6. 距离度量学习 ( 多任务大边界最近邻——MT-LMNN) ;人体动作行为识别—在线字典学习;*;; ; 分两层得到5个最大池特征，每个为K1维向量，K1为字典基元个数，也就是字典的大小。一起平铺成5K1维最大池特征，再加上K2维绝对值特征共5K1+K2维，最后生成200+200+90+90+200+1050+1050=2880维编码特征。一个视频若有F帧，则最终得到F-2-15+1个时空卷特征特征，此后再对一个视频的所有时空卷特征计算全局池特征，每个视频只得到一个全局池特作为最终的视频代表。;行为特征分类识别;人体动作行为识别—支持向量机;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。;其它识别方法;实验结果;;稀疏描述、稀疏编码、局部约束线性编码识别结果比较;;IVIPC与KTH混合视频数据库识别结果与分析;Weizmann与KTH视频数据库识别结果及其与一些方法比较;;Weizmann与KTH视频数据库识别结果及其与一些方法比较;IPL;提 纲;软件界面;;工作总结;Thank You！答 辩 人：覃耀辉 专 业：信息与通信工程 指导老师：李宏亮 答辩日期：2011.5.19 智能视觉信息处理与通信实验 qinyaohuiwxj@163.com /project/har_qyh/;;提 纲;Help！！！;*;本文的主要工作及贡献;特征性质： 1、它能够体现目标全局运动信息； 2、它能够体现运动目标的宏观运动状态； 3、它能够体现目标的运动趋势； 4、它能够体现运动目标的边缘轮廓信息； 5、它能够体现运动目标的运动细节信息； 6、能从视频中提取到的这种特征不能太多。;提 纲;人体行为识别框架;;;*; ;*;边缘梯度特征提取实例演示;输入视频 ;光特征提取实例演示;*;构造PEMO时空金字塔特征;pHOG、pHOOF;*;*;;1. 提取全局与局部特征 (descriptors /features) (像素变化直方图、边缘直方图、 运动直方图、光流) 2. 字典学习 (codebook/dictionary) (在线字典学习) 3. 降维 (稀疏降维——SPCA) 4. 稀疏编码 (LLC编码——Locality-constrained Linear Coding) 5. 训练支持向量机超平面分界线 ( 线性核支持向量机——LSVM) 6. 距离度量学习 ( 多任务大边界最近邻——MT-LMNN) ;人体动作行为识别—在线字典学习;*;; ; 分两层得到5个最大池特征，每个为K1维向量，K1为字典基元个数，也就是字典的大小。一起平铺成5K1维最大池特征，再加上K2维绝对值特征共5K1+K2维，最后生成200+200+90+90+200+1050+1050=2880维编码特征。一个视频若有F帧，则最终得到F-2-15+1个时空卷特征特征，此后再对一个视频的所有时空卷特征计算全局池特征，每个视频只得到一个全局池特作为最终的视频代表。;行为特征分类识别;人体动作行为识