判别迁移学习下的跨视角动作识别方法

《判别迁移学习下的跨视角动作识别方法》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、判别迁移学习下的跨视角动作识别方法隋宛辰2016年1月中图分类号：TP391UDC分类号：004.9判别迁移学习下的跨视角动作识别方法作者姓名隋宛辰学院名称计算机学院指导教师吴心筱副教授答辩委员会主席贾云得教授申请学位工学硕士学科专业计算机科学与技术学位授予单位北京理工大学论文答辩日期2016年1月DiscriminantTransferLearningForCross-viewActionRecognitionCandidateName：WanchenSuiSchoolorDepartment:Sch

2、oolofComputerScienceFacultyMentor:Prof.XinxiaoWuChair,ThesisCommittee：Prof.YundeJiaDegreeApplied:MasterofEngineeringMajor：ComputerScienceandTechnologyDegreeby:BeijingInstituteofTechnologyTheDateofDefence：January,2016研究成果声明本人郑重声明：所提交的学位论文是我本人在指导教师的指导下进行的研

3、究工作获得的研究成果。尽我所知，文中除特别标注和致谢的地方外，学位论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得北京理工大学或其它教育机构的学位或证书所使用过的材料。与我一同工作的合作者对此研究工作所做的任何贡献均已在学位论文中作了明确的说明并表示了谢意。特此申明。签名：日期：北京理工大学硕士学位论文摘要视频中的人体动作识别是计算机视觉和模式识别领域的热点问题，在人机交互、智能监控、视频检索、虚拟现实等方面都拥有广阔的应用前景。传统的动作识别方法大多基于同一视角的假设，在固定的视角下提取动

4、作特征并构建识别模型。然而，在真实的应用场景中，随着拍摄角度的变化，同一动作的人体形态和运动轨迹均会发生激变，相应的数据分布和所在的特征空间也会发生改变。这种视角的变动对于传统的动作识别算法是一个极大的挑战，将导致特定视角下训练得到的模型难以适应新视角中的动作识别。本文提出了一种有效的跨视角动作识别方法，能够处理不同视角下处于不同特征空间的动作样本。结合迁移学习的思想，通过寻找一个具有判别力的公共子空间，将源视角和目标视角进行桥连。利用两个不同的特征映射矩阵，分别将不同视角下的所有动作数据投影到这个隐含

5、的公共子空间中，使得相同类别动作的相似度最大化，不同类别动作的相似度最小化。由于不同的特征空间通常拥有不同的数据分布，本文在构建公共子空间的过程中加入了分布差异约束，有效减小了不同视角间的数据分布差异。同时，本文提出了局部保持约束，在映射的过程中保持了样本原有的局部流形结构。这样的线性变换可以被很容易地扩展到相应的核空间，而动作样本通过非线性函数映射到高维核空间中所表现出的数据特性，能够进一步增强公共子空间所具有的判别能力。本文提出的方法不依赖于任何视角间的样本对应关系，也不局限于特定的动作表示，能够在

6、很大程度上满足不同应用场景的需求。实验结果证明了该方法的有效性。鉴于单源视角提供的信息可能相对片面，本文提出了一种融合多个源视角信息的多源迁移学习方法。该方法能够同时利用多个源视角中大量的标注样本，将其中包含的所有动作信息进行融合，通过知识迁移共同作用于目标视角下的动作识别过程，有效处理目标视角中标注样本不足甚至缺失的情况。实验结果表明，融合多个源视角信息的多源迁移学习方法能够有效地提高跨视角动作识别准确率。关键词：跨视角动作识别；迁移学习；判别分析I北京理工大学硕士学位论文AbstractHumana

7、ctionrecognitioninvideosplaysanimportantroleincomputervisionandpatternrecognitionduetoitswideapplicationsinhuman-computerinteraction,smartsurveillance,videoretrieval,andvisualreality.Traditionalactionrecognitionmethodsfocusonasingleview.Theyextractfeatur

8、esandbuildmodelsinafixedview.However,inrealapplications,bodyappearancesandmotiontrajectoriesofthesameactioncandrasticallyvaryfromoneviewtoanother.Meanwhile,thecorrespondingdatadistributionsandfeaturespacesarealsodifferent.