时空特征提取方法研究

《时空特征提取方法研究》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、博士学位论文时空特征提取方法研究作者姓名苗捷学科专业信息与通信工程指导教师徐向民教授所在学院电子与信息学院论文提交日期2016年4月6日ResearchonSpatial-TemporalFeatureExtractionADissertationSubmittedfortheDegreeofDoctorofPhilosophyCandidate：MiaoJieSupervisor：Prof.XuXiangminSouthChinaUniversityofTechnologyGuangzhou,Ch

2、ina分类号：TP391.4学校代号：10561学号：201210101697华南理工大学博士学位论文时空特征提取方法研究作者姓名：苗捷指导教师姓名、职称：徐向民教授申请学位级别：工学博士学科专业名称：信息与通信工程研究方向：计算机视觉、机器学习论文提交日期：2016年04月06日论文答辩日期：2016年06月02日学位授予单位：华南理工大学学位授予日期：年月日答辩委员会成员：主席：马争鸣委员：徐向民、贺前华、胡斌杰、金连文华南理工大学学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下

3、独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：研究生在校攻读学位期间论文工作的知识产权单位属华南理工大学。学校有权保存并向国家有关部门或机构送交论文的复印件和电子版，允许学位论文被查阅（除在保密期内的保密论文外）；学校可

4、以公布学位论文的全部或部分内容，可以允许采用影印、缩印或其它复制手段保存、汇编学位论文。本人电子文档的内容和纸质论文的内容相一致。本学位论文属于：□保密（校保密委员会审定为涉密学位论文时间：年月日），于年月日解密后适用本授权书。√不保密,同意在校园网上发布，供校内师生和与学校有共享协议的单位浏览；同意将本人学位论文提交中国学术期刊(光盘版)电子杂志社全文出版和编入CNKI《中国知识资源总库》，传播学位论文的全部或部分内容。(请在以上相应方框内打“√”)作者签名：日期：指导教师签名：日期：作者联系电话

5、：15989007224电子邮箱：miaow1988@qq.com联系地址(含邮编)：广州市天河区五山路华南理工大学30号楼摘要视频内容的认识是计算机视觉中的重要问题，相关研究可以用于智能视频监控、人机交互、视频检索等多个领域。视频的特征表达对于视频内容的识别至关重要。由于视频数据量大且内容复杂，同时会受到视角、背景、时间等因素影响，很难提取出良好的视频特征。近年来相关研究取得了一定进展，但仍存在诸多困难，无法良好的应用到实际场景中。传统方法以使用人工设计的局部特征表达为主，对视频中时空信息的描述能

6、力不足。同时，传统视频内容识别中特征提取方法依赖复杂的处理运算，其速度难以达到实时性能。本文针对视频内容识别中的时空特征提取，从识别准确率和识别速度两方面都进行了研究，本文主要工作如下。1.慢特征分析（SFA:slowfeatureanalysis）从快速变化的信号中提取缓慢变化的特征，这一方法已被证实可以模拟灵长类动物的初级视皮层（V1）的复杂细胞。初级视皮层为腹侧和背侧通路提供信息，分别用于外观和运动信息的处理。然而，SFA在局部特征提取中只被用于提取缓慢变化的信息，这些信息主要表征静态的外观信

7、息，不包含运动信息。为了更好的利用时序信息，本文将SFA扩展为时间方差分析（TVA:temporalvarianceanalysis）。TVA学习一个线性映射函数，将原始的时序信息映射为在时序上具有不同变化量的特征分量。受到V1区域启发，我们通过TVA学习局部感受野（localreceptivefield），并通过卷积和池化操作进行局部特征提取。本文对基于TVA的特征提取方法在四个行为识别数据库上做了测试，实验结果表明，基于TVA方法提取的慢特征与快特征都能有效的进行特征表达，且能够获得比传统基于梯

8、度方向直方图特征更好的结果。2.动态纹理以不同形态广泛存在，如火焰、烟雾、车流等，由于动态纹理视频在时序上复杂的变化使得动态纹理识别成为一个具有挑战性的问题。本文提出一种基于慢特征分析的动态纹理识别方法。慢特征分析可以从复杂的动态纹理中学到具有不变性的特征。然而，复杂的时间变化要求高层级的语义信息来进行特征表达以达成时间不变性，这难以通过慢特征分析方法直接从高维视频中学习到。我们提出了基于流形约束的慢特征分析（MR-SFA:manifoldregularizedSFA