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
/ R8 c  {2 f; Z8 I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
4 c1 m  |) h+ F$ {" W(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
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
! _  Y% k3 a* ]) o/ t/ M- @/ [1 引言
0 M  o7 F" W0 s& s; ?人体行为识别是计算机视觉领域的热门研究课
1 J( q0 E+ |6 A, t1 {  B, p题之一，它具有非常重要的现实意义，在智能视频
) @: v  g2 G* \8 S5 M9 `监控、虚拟现实、医疗辅助和运动员动作分析等方
  ]" A* ~/ s' [% ~( _/ T1 h) q面[1]有着十分广泛的应用。但是，由于背景复杂、摄
( f2 u5 \# f& _8 E4 {1 F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。
; W4 P5 ~5 c" t+ J1 A$ w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
: y' S9 I0 Y- q表示方法，在行为识别领域得到了广泛的应用。传

- m" `! ~8 |9 F1 L9 c
8 X' G, K$ c: e/ T4 j, _
5 Z$ P$ B: _7 a" [  U
" B  @7 w; G4 c3 v' |) x. x
* u6 x# a5 i0 A$ B( T7 B2 ]附件下载：

游客，如果您要查看本帖隐藏内容请回复

/ |: v0 O( i% t$ e: j, p6 @8 m( h  Y' e

crime

谢谢分享