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
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
(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
4 f: a9 s3 G0 s; _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。
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
# m# T- C' I; q, B1 引言
& R. ?# _) B" W% \0 A5 {* \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
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
" x- i( ]8 p/ f) ~& j: D相机抖动、光照变化、遮挡以及不同动作者的类内
  }$ y  \8 v$ ~) g差异等都使目前的行为识别面临着很大的挑战。
; b1 k, L9 O( p7 G5 N+ M基于局部时空特征的单词包(Bag-Of-Words,
) V! m; \- `: XBOW)算法作为一种简单有效、鲁棒性较强的行为
表示方法，在行为识别领域得到了广泛的应用。传



5 V" R' B. I; @  q* i7 Y1 y1 N
% r0 ^/ p: w7 O* E5 J6 d0 y2 [
附件下载：

游客，如果您要查看本帖隐藏内容请回复

* B! E. S2 Y% C3 G" d/ T/ O7 v3 ?

crime

谢谢分享