计算高效日常活动识别方法研究.pdfVIP

计算高效日常活动识别方法研究.pdf

计算日常活动的高效识别G

StergiosPoularakis,KonstantinosAvgerinakis,AlexiaBriassouli和IoannisKompatsiaris

希腊研究与技术(CERTH)

详细介绍了我们的方法。在第4节中，我们描述了使用的数据

在这项工作中，我们提出了一种计算效率高的方法，用集并展示了实验结果。第5节总结了本文并讨论了未来的工作。

于识别人类的日常活动。我们的方法使用在密集网格上

提取的视觉特征的轨迹，并通过支持向量机

2.相关工作

(SVMs)进行识别。与基于密集光流(OF)的最先进方法

不同，我们使用快速块匹配估计，从而提高了计算我们的工作与使用点轨迹的方法密切相关，这些方

效率，同时在识别准确性方面的损失最小。为了证明我法可以大致分为稀疏采样和密集采样的点。

们方法的有效性，我们在基准数据集上进行了实验，这

些数据集包含人类日常活动的，展示了识别准确性使用稀疏点的方法通过的点检测器提取

和计算效率之间的权衡。这些点，并在时间上它们。Messingetal.[3]使用

KLT[4]角点，并创建了对数极坐标量化速

IndexTerms—活动识别，估计，块匹配。度的轨迹。他们使用这些轨迹学习有向图模型来识别日常

生活活动。在类似的方法中，Sunetal.[5]提取了的

SIFT点的轨迹并学习了静态链，而

1.引言

Matikainenetal.[6]在典型的词袋框架中进行了轨迹聚类。

日常生活活动（ADLs）的识别在计算机视觉社区中引

起了广泛的研究关注，因为其可以为医疗在第二类中，密集采样的点使用光流（OF）和全局平

宝贵的信息，例如生活方式和行为趋势，丰富诊断和预滑约束进行。在一项开创性的工作中，Wangetal.[1]

测。为此，人们正在努力设计既准确又计算效率高的算在网格上采样特征点，并使用密集OF在多个空间尺度上跟

法。尽管存在大量的活动识别方法，但大多数方法忽视踪它们。随后，他们在每个轨迹周围固定的空间‑时间体积

了计算效率的重要性，只专注于识别准确性。现有技术中计算HOGHOF描述符[7]，并进一步使用边界直方

使用光流（OF）进动估计，这在计算上非常昂贵，图（MBH）描述符[8]描述OF。最后，他们使用的词

并且可能会实时性能，例如在由2D相机和低功耗芯袋框架和非线性支持向量机（SVMs）进行活动识别。使用

片组组成的设备中。密集轨迹导致了最先进（SoA）的识别准确率，但密集OF

的计算消耗了超过50%的总运行时间[9]。

在这项工作中，我们探索用计算量较小的块匹配替在一个改进的版本中，Wangetal.[10]通过