行為識別國內(nèi)外現(xiàn)狀

PAGEPAGE1(1)光流場光流場是空間運(yùn)動(dòng)物體在觀測成像面上像素運(yùn)動(dòng)的瞬時(shí)速度31(2)點(diǎn)軌跡4，51。運(yùn)動(dòng)軌跡的獲取比較依賴于精確的跟蹤算法。從原始視頻中提取點(diǎn)軌跡特征同樣容易受到噪聲、遮擋及混亂背景等的影響。(3)人體形狀表達(dá)16,718lilD[91等。(4)濾波器響應(yīng)Zhang等【利用一組空時(shí)高斯導(dǎo)數(shù)濾波器將Harris角點(diǎn)檢測低層特征的描述與識別別對現(xiàn)有方法進(jìn)行歸類，并作一個(gè)簡短的綜述。非參數(shù)方法模板匹配法Polana和Nelson[4刀將整個(gè)序列分解為多個(gè)周期行為，利Bobick和Davis[391)m)反映運(yùn)動(dòng)覆蓋的范圍及強(qiáng)度，而MHI反映運(yùn)動(dòng)在時(shí)間上的Weinland(MHV)模板，從多個(gè)視角重建目標(biāo)并將其投FourierWangSuter[451也將整個(gè)行為過程(MMS)(扭)目標(biāo)建模法行為可以通過建立人體動(dòng)態(tài)表觀模型進(jìn)行描述。常見的人體模型有棍圖模型【109]、2D模型例及3D模型51。3D人體建模是最常用的人體結(jié)構(gòu)表征方法，通過跟蹤人體模型中主要關(guān)節(jié)點(diǎn)的坐標(biāo)、關(guān)節(jié)之間的角度、關(guān)節(jié)點(diǎn)運(yùn)動(dòng)的速度及角速度可以分析人體各種行為。3DMahmood1刁在聯(lián)合YalmazShahll312D輪廓堆疊成聯(lián)合X．YGorelick】采用背景剪除后的二值剪影替代人體輪廓，構(gòu)造出空間一上的空時(shí)目標(biāo)，雖然它不需要建立序列l(wèi)；!!ji之間輪廓點(diǎn)之間的對應(yīng)關(guān)系，但僅適用于攝像機(jī)固定的情形。(3)流形學(xué)習(xí)法行為識別中所處理的視頻數(shù)據(jù)處于三維空間若將序列中每幀圖像轉(zhuǎn)換為向量并按時(shí)序排列構(gòu)成矩陣處理，將會(huì)遭遇“維數(shù)災(zāi)難，同時(shí)也會(huì)引起小樣本問題。而流形學(xué)習(xí)方法假設(shè)數(shù)據(jù)均勻采樣J：高維歐氏空間中的低維流彤，從高維采樣數(shù)據(jù)中恢復(fù)低維流形結(jié)構(gòu)，并求出相應(yīng)的嵌入映射以實(shí)現(xiàn)降維它可分為線性方法及非線性方法線性流形學(xué)習(xí)假設(shè)數(shù)據(jù)位于線性空問，包括、ICA等方法。但在實(shí)際情形下，數(shù)據(jù)并非位于線性空間，需要從大量樣本中學(xué)習(xí)流形的內(nèi)部幾何結(jié)構(gòu)非線性流形學(xué)習(xí)方法大體分為兩類一類基于全局方法如等距映(屆∞糾)，計(jì)算每一個(gè)數(shù)據(jù)點(diǎn)與其他數(shù)據(jù)點(diǎn)關(guān)系而建立全連接圖。另一類方法基于局部即考慮每個(gè)數(shù)據(jù)點(diǎn)與它鄰域內(nèi)的點(diǎn)的關(guān)系定義圖中的邊及其權(quán)重如拉普拉斯特征映射。一些非線性方法的線性近似，如 Lppt48,108l，加入類別信息的流形方法如LSTDE[491，可以直接求得投影矩陣用于解決新樣本的低維嵌入問題。流形學(xué)習(xí)方法可用于行為分析中原始數(shù)據(jù)的降維，采用、SVM及Boosting等方法對低維空間中的特征數(shù)據(jù)進(jìn)行分類可以識別不同行為?？諘r(shí)體方法空時(shí)濾波法視頻數(shù)據(jù)可以看成由每幀圖像按時(shí)序構(gòu)成的空時(shí)體Chomat和從視頻中分割出不同Gabor濾波器組在每個(gè)像r等基于部分的方法Laptev[111將Harris角點(diǎn)檢測器擴(kuò)展到空時(shí)表示形式，在不同級別的尺度上計(jì)算空時(shí)梯度，由每個(gè)點(diǎn)及其Dollarfl61在訓(xùn)練數(shù)據(jù)中的空時(shí)興趣點(diǎn)上提取空時(shí)梯度，采用K均值聚類方法獲取特征原型，對視頻體進(jìn)行建模。Niebles掣"1Bag．of-Words模型，采用SVMs識別各種行為。不同的行為可能包含相似的空時(shí)子部分，而子部分之間的幾何關(guān)系卻Boiman】和Wong1叨將全局幾何引入到基于部分的視頻體表示，將其看成Song1201采用三角化的方法逼近星群之問的連接關(guān)系Niebles和Li[2”提出一個(gè)層級模型，其中較高的層級是各部分的星群，星群中的各部分則由低層Bag．of-Features構(gòu)成?；诓糠值姆椒ù蠖嘈枰诳諘r(shí)興趣點(diǎn)提取梯度或強(qiáng)度特征，在分體匹配法分體匹配法一般通過匹配輸入視頻體與三維模板分體之間的相似度從而對人體行為進(jìn)行分(LocalSpatio．Temporal之間的運(yùn)動(dòng)相似度來尋求匹配。然而，ShechtmanIrani[221通過發(fā)掘空時(shí)運(yùn)動(dòng)之間的相關(guān)性實(shí)現(xiàn)未知行為Ke掣241通過空間觀上的像素點(diǎn)聚類得到分體，分體是空間上的Yuan5I23基于張量的方法序堆疊成矩陣處理，由于矩陣的向量由圖像轉(zhuǎn)換而來，一般具有很高的維數(shù)，以100x12012000Kim等【25】將典型性相關(guān)分析(CCA)擴(kuò)展應(yīng)用到三階張量情形，實(shí)現(xiàn)測試行為與已知類別行為之Vasilescu[261將行為類別、人的身份及關(guān)節(jié)軌跡分別作為張量獨(dú)立的一)張量，張量分解為對應(yīng)的模式則可得到行為類別或行為者的Wblf等SVM擴(kuò)展到張量空間并用于行為識別。當(dāng)然，張量方法也521TensorPCA、TensorLPPTensorLPP獲參數(shù)時(shí)序方法芭蕾舞視頻中的旋轉(zhuǎn)動(dòng)作，交響樂中的指揮手勢等。刪)m概率，便于產(chǎn)生與特HMM對應(yīng)于行為特征的不同測試符Yamato281。場景中一般存在著交互式行為，但HMM31】提出耦合隱馬爾可夫模型(CoupledHMM)為多個(gè)交互的動(dòng)態(tài)過程進(jìn)行建模，可以將多個(gè)動(dòng)態(tài)過程的特征空問HonggengNevatial321將狀態(tài)間隔的先驗(yàn)置信度引入HMM(Semi-supervisedHMM)。Nguyen33】(Hierarchical)分析長時(shí)間內(nèi)的人體行為，能夠更HMM具有很強(qiáng)同樣適HMM度隨目標(biāo)個(gè)體的數(shù)目增加呈指數(shù)型增長。D．S)線性動(dòng)態(tài)系統(tǒng)是HMMS是帶高斯觀察模型的MVaswani34】將連續(xù)狀態(tài)空間下的HMMCuntoorChellappa／351(Dynamics(Epitomic)的方式HMM一樣，LDS也是時(shí)不變模型，不適用于非平穩(wěn)行為的識別。非線性動(dòng)態(tài)系統(tǒng)HMMLDS是非常有效的建模工具，但它們只限用于線性平穩(wěn)的動(dòng)力中。假設(shè)一個(gè)人彎腰LDSLDSs