有监督的流形学习及其在人体行为识别中的应用

《有监督的流形学习及其在人体行为识别中的应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、中山大学硕士学位论文有监督的流形学习及其在人体行为识别中的应用姓名：马锦华申请学位级别：硕士专业：应用数学指导教师：阮邦志;赖剑煌20090601有监督的流形学习及其在人体行为识别中的应用专业：应用数学姓名：马锦华指导老师；阮邦志教授赖剑煌教授摘要人体行为识别是计算机视觉与模式识别中的研究热点之一。它在智能视频监控、感知接口和虚拟现实等领域中均有着广泛的应用前景。在入体行为识别中，一般用一段视频或者一系列图像来记录人体行为，故待处理的数据往往具有较高的维数。然而，高维数据不但难以被人们直观理解，而且在识别阶段会导致过高的计算复杂度

2、。所以，研究人体行为数据的低维表达，是一项必要且紧追的工作。经典的线性降维方法，譬如PCA等，能够有效地对数据进季亍压缩，然藤人体行为数据具有高度的非线性特征，所以经典的线性降维方法不适用于对人体行为数据进行降维。为此，我们需要寻求有效的非线性降维方法来处理人体行为数据。经过研究发现，非线性的流形学习技术能很好地保持数据的非线性性质。然丽，经典的非线性流形学习算法也不能直接应用于人体行为识别中，其原因有三个方面：第一，在高维空间中，代表不同动作的两个流形可能相交，所以入体行为数据的整体，并不满足光滑流形的性质；第二，经典算法没有利

3、用类别信息；第三，经典算法不能有效地处理样本集外的数据。基于以上分析，本文针对行为数据的特点，利用数据的类别信息，提出了三秸有监督的流形学习方法：兰)从局部保持映射的框架出发，提出了优化的有监督局部保持映射算法；2)受多维标度分析的启发，从流形的整体性质出发，重构流形平移后的距离结构，提出了有监督等距投影算法；3)针对流形之间的度量方法，利用线性判别分析(LDA)的思想，提邂了基予流形的判别分析。实验结果表明，本文提如的算法应用予在人体行为识别中，优子经典的流形学习算法；而在本文提出的算法中，综合变现最好的算法是优化的有监督局部保

4、持映射。关键词：流形学习，人体行为识别，有监督学习，降维算法SupervisedManifoldLearningandItsApplicationinHumanActionRecognitionMajor：AppliedMathematicsName：JinhuaMaSupervisor：PongchiYuen，JianhuangLaiAbstractHumanactionrecognitionisanactiveresearchtopicincomputervisionandpatternrecognition．Ithasawi

5、derangeofpotentialapplications，suchasintelligentvisualsurveillance，perceptualinterface，virtualreality,etc．Inhumanactionrecognition，sinceactiondataisstoredassequencesofimagesincomputer,thedimensionalityoftheimagedataisveryhi曲．Highdimensionaldataishardtounderstandforhum

6、anbeing．Moreoverusinghighdimensionaldataintheclassificationstagewouldmakethecomputationalcomplexityincrease．Solearningthelowdimensionalrepresentationsforhumanactionsisnecessary．Lineardimensionalityreduction，forexamplePCA，isaneffectivetechniquefordatacompression．Howeve

7、r,duetothenonlinearvariationinhumanactions，traditionallineardimensionalityreductionmethodsarenotapplicabletodimensionalityreductionforhumanactionrecognition．Soweneedtofindsomenonlineardimensionalityreductiontechniquestoextractfeaturesfromtheactiondata．ManifoldLeamingi

8、sanonlineardimensionalityreductiontechniquedevelopedrecently．ItCanwellpreservethenonlinearitiesofthemanifold．Sointhispaper,w