一種基于判別式聚類的人體行為識別方法.pdf

1、人體行為識別與視頻分類領(lǐng)域，研究投入逐年增大。近年來，相關(guān)產(chǎn)業(yè)發(fā)展迅猛，如視頻監(jiān)控、智能安防和人機(jī)交互等，人體行為識別與視頻分類技術(shù)在不久的將來還將有著更廣闊的市場空間和應(yīng)用前景。行為識別算法涉及視頻數(shù)據(jù)預(yù)處理、特征提取、特征編碼、數(shù)據(jù)降維、聚類分析、模型學(xué)習(xí)等諸多領(lǐng)域。當(dāng)下行為識別的研究重心逐漸從底層特征設(shè)計轉(zhuǎn)移到模型搭建和中層語義特征提取上。本文從中層語義特征角度，對已有研究成果與現(xiàn)存問題予以比較分析和歸納總結(jié)，并做出以下工作：

2、r>　　首先，本文概括分析了行為識別中常見的聚類分析算法，針對經(jīng)典聚類分析算法對初值敏感、聚類中心數(shù)目需要人為設(shè)定、算法易陷入局部極值、采用歐氏距離不能準(zhǔn)確度量特征相似度等問題，給出了一種基于類別的層次聚類分析算法。聚類的目的是為了讓特征空間中聚類團(tuán)簇的類內(nèi)聚合度高而類間差異度大，為此，算法計算每一類行為在不同聚類中心數(shù)目下，類內(nèi)與類間聚類團(tuán)簇的相似指標(biāo)。本文通過分析隨聚類中心數(shù)目改變，相似度指標(biāo)的變化趨勢，獲得類內(nèi)聚合度、類間差異度的

3、平衡點，這個平衡點對應(yīng)的聚類中心數(shù)目就是本文自適應(yīng)聚類分析算法得到的聚類中心數(shù)目。
　　其次，筆者還構(gòu)建了判別式聚類分析算法。由于，底層特征、局部特征對視頻描述力有限，有效信息被淹沒在海量的冗余數(shù)據(jù)之中，因此對底層信息的總結(jié)提煉緊迫且重要。為獲取更加有效的中層語義特征，本文提出了判別式聚類分析算法。算法剔除既有聚類團(tuán)簇中的奇異點，使聚類中心支撐點純粹度更高。同時，算法對聚類團(tuán)簇的支撐點數(shù)目提出要求，聚類團(tuán)簇中隸屬于某一行為類別的支

4、撐點數(shù)目越少，則團(tuán)簇聚類中心對應(yīng)該行為的代表性越弱，算法剔除該聚類中心。因此，添加聚類中心支撐點在對應(yīng)類別的數(shù)目約束可以強(qiáng)化聚類中心的表達(dá)能力。此外，在迭代過程中，本文算法還將不斷削去判別性不足的聚類中心及其支撐點。本文判別式聚類分析算法所求取的聚類中心避免了經(jīng)典聚類分析算法的弊端，還具有更加優(yōu)異的判別性、表達(dá)性和行為類別純粹性。
　　再次，本文設(shè)計了聯(lián)合三層語義特征的分類模型，即添加類別約束的隱變量支持向量機(jī)(CC-LSVM，C

5、ategory Constraint Latent Value Support Vector Machine)分類器。為優(yōu)化底層特征、中層語義特征的識別結(jié)果，本文有針對性的提出了高層語義特征。因為，底層特征進(jìn)行行為識別和視頻分類是非語義信息到語義信息的跨越，所以，這種跨越易產(chǎn)生“語義鴻溝”。為連接“語義鴻溝”，論文給出了中層語義特征的構(gòu)建方法。為建立語義關(guān)聯(lián)，本文提出了能夠綜合運用三層語義信息的判別模型CC-LSVM，實現(xiàn)多層語義行為分