基于深度递归分层条件随机场模型的人体行为识别

《基于深度递归分层条件随机场模型的人体行为识别》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、单位代码：１０２９３密级：？啼《也參硕女＃像讼Ａ＇＇．；－讀薦遊，？ｖｍｎ１電終．．．．．．．．Ｖ．乂，；，扣＇＼．Ｖ论文题目：基于深度递归分层条件随机场模型的人体行为识别‘二识撫’：Ｊｒ？‘－Ｖ，１０１３０１０６１６学号姓名王新城导师刘天亮副教授巧次＇．＇ＶＳｉ，’＾信号与信息处理学科专业１，，ｉ一，＼图像处理与多媒体通信研究方向，：＾Ａ．＼、：漆；给王学硕古申请学位类别＇’：Ｖ．－户２０６、１．２．２４ｋ论文提交日期Ｓｘ典玲

2、锻；＇．＇Ｖ枝的：．．、．＞导誤已．璃：成＇’‘－．＆新ｎ瑚■．’‘．．，；ｒ‘飞批．＾．％，，ｆ南京邮电大学学位论文原创性声明本人声明所呈交的学位论文是我个人在导师指导下进行的研巧工作及取得的研究成果。尽我所知，陈了文中特别加示注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得南京邮电大学或其它教育机构的学位或证书而使用过的材料。一与我同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。一切相关的法律责任。本人学位论文及涉及相关资料若有不实，愿意承担研巧生签名：＾

3、４日期：兴汁句Ｗｆ＾啤本人授南京邮电大学学位论文使用授权声明权南京邮电大学可Ｗ保留并向国家有关部口或机构送交论文的复印件和电子文档可；允许论文被查阅和借阅；可将学位论文的全部或部分内容编入有关数据库进行检索；论Ｗ采用影印、缩印或扫描等复制手段保存、汇编本学位论文。本文电子文档的内容和纸质一文被的密内学容位相论致文在。论文的公布（包括刊登）授权南京邮电大学研巧生院办理。解密后适用本授权书。研究生签名：．呈ｉ■冷．导师签名：－日期：２。如谷叫DeepRecursiveandHierarchicalConditionalRandomFieldsforHuma

4、nActionRecognitionThesisSubmittedtoNanjingUniversityofPostsandTelecommunicationsfortheDegreeofMasterofEngineeringByXinchengWangSupervisor:Prof.TianliangLiuFebruary2016摘要人体行为识别是计算视觉与模式识别领域中一个重要课题，在视频监控与视频检索中有着广泛的应用。近年随着技术进步，廉价的RGB-D相机（如MicrosoftKinect）能够捕获三维场景中丰富的时空信息。研究者建模时空交互信息，可以更便捷地学习复杂人体行为结构。人体

5、行为识别的早期研究工作，通常以2D视频作为感知数据源；但是，2D视频提供的信息有限，即使在没有遮挡的情况下，也会导致相对较低的识别准确率。本文使用RGB-D传感器捕获RGB视频和深度视频，以人体姿态与交互物体的共生关系和几何约束为基础来识别人体行为动作。首先采用人体骨架来描述行为主体，以骨架中各个节点为中心划分局部区域边界框，将各个边界框定义为人体的各个组成部分；然后分别对各个边界框区域提取HOG-3D特征，并将其作为人体姿态特征；最后将人体姿态特征、物体的位置与形状特征、行为主体与物体交互特征等特征串联组合成最终的特征向量，并将此特征作为每个行为视频段对应的观察数据。线性链条件随机场(Li

6、near-chainCRFs)作为一种判决模型，广泛应用于人体行为识别。由于其能够在时间维上捕获目标状态之间的一阶或数阶相互依赖关系，因此在对时间序列进行标注的工作中表现出良好的预测性能。但是现有的条件随机场模型无法捕获目标状态内部的中间表示，以及状态之间的高阶相关性。而这些信息在对复杂的行为识别场景中通常会表现出潜在的重要性和显著性。为克服这一难题，本文提出了一种深度递归分层条件随机场模型(DeepRecursiveandHierarchicalConditionalRandomFields,DR-HCRFs)模型。该DR-HCRFs模型能够目标状态内部丰富的语义信息，以及目标状态之间无穷

7、阶的相关信息。同时，为精确推理模型以及降低模型的计算复杂度，本文提出了一种基于平均场近似(mean-field-like)理论的模型推理方法。最后，本文分别使用割平面(Cutting-plane),弗兰克-沃尔夫(Frank-Wolfe,FW)算法和块-坐标原始-对偶弗兰克-沃尔夫(block-coordinateprimal-dualFrank-Wolfe,BCFW)优化方法驱动的结构化支持向量机(Stru