局部分布信息增强的视觉单词描述与动作识别

刘工在呢

摘 要：传统的单词包(Bag-Of-Words, BOW)算法由于缺少特征之间的分布信息容易造成动作混淆，并且单词包
6 e" T5 l2 n- [) }* s; c& x2 a大小的选择对识别结果具有较大影响。为了体现兴趣点的分布信息，该文在时空邻域内计算兴趣点之间的位置关系
作为其局部时空分布一致性特征，并提出了融合兴趣点表观特征的增强单词包算法，采用多类分类支持向量机
" f) i$ z3 |! m7 R2 D% S  d(Support Vector Machine, SVM)实现分类识别。分别针对单人和多人动作识别，在 KTH 数据集和 UT-interaction
6 x4 N& |8 v; f3 I数据集上进行实验。与传统单词包算法相比，增强单词包算法不仅提高了识别效率，而且削弱了单词包大小变化对
识别率的影响，实验结果验证了算法的有效性。
: i. Y& L8 _) Q+ G+ t7 U关键词：人体行为识别；局部分布特征；增强单词包模型；支持向量机
1 引言
人体行为识别是计算机视觉领域的热门研究课
题之一，它具有非常重要的现实意义，在智能视频
' t$ O; ~' L4 x! Z# O监控、虚拟现实、医疗辅助和运动员动作分析等方
面[1]有着十分广泛的应用。但是，由于背景复杂、摄
7 H/ S5 M' _* N0 c% c# A; h相机抖动、光照变化、遮挡以及不同动作者的类内
差异等都使目前的行为识别面临着很大的挑战。
6 o" W, B" x( Z  X; C基于局部时空特征的单词包(Bag-Of-Words,
BOW)算法作为一种简单有效、鲁棒性较强的行为
( h" a( m: D$ V$ G5 d2 K表示方法，在行为识别领域得到了广泛的应用。传
- h! j0 v2 L! P" z/ d

9 T1 C7 @. j( `/ C6 j$ s  v
. y2 F3 R  N0 g% k3 M* b' i5 {

3 h) z# K- E5 W附件下载：

游客，如果您要查看本帖隐藏内容请回复

crime

谢谢分享