基于空-时域特征决策级融合的人体行为识别算法 
下载： 857次
Human Action Recognition by Decision-Making Level Fusion Based on Spatial-Temporal Features
长春理工大学光电工程学院, 吉林 长春 130022
图 & 表
图 1. 目标轮廓提取过程。(a)原始视频;(b)运动目标检测;(c)目标轮廓提取
Fig. 1. Target contour extraction process. (a) Original video; (b) motion detection; (c) target contour extraction
下载图片 查看原文
图 2. POSER三维仿真的(a)模板样本和(b)测试样本
Fig. 2. (a) Template image and (b) test image of POSER 3D simulation samples
下载图片 查看原文
图 3. 采样结果
Fig. 3. Sampling results
下载图片 查看原文
图 4. 极坐标下的轮廓点分布
Fig. 4. Distribution of contour points in polar coordinates
下载图片 查看原文
图 5. 不同轮廓采样点的形状直方图。(a)采样点1;(b)采样点2;(c)采样点3
Fig. 5. Shape histogram of different contour sampling points. (a) Sampling point 1; (b) sampling point 2; (c) sampling point 3
下载图片 查看原文
图 6. 匹配结果
Fig. 6. Matching results
下载图片 查看原文
图 7. 不同数量采样点的匹配结果
Fig. 7. Matching results of different sampling points
下载图片 查看原文
图 8. 视频序列
Fig. 8. Video sequences
下载图片 查看原文
图 9. 空间域特征序列匹配过程
Fig. 9. Matching process of feature sequence in spatial domain
下载图片 查看原文
图 10. 时间域特征序列匹配过程
Fig. 10. Match process of feature sequence in time domain
下载图片 查看原文
图 11. DTW算法示意图
Fig. 11. Schematic diagram of DTW algorithm
下载图片 查看原文
图 12. 几种典型的局部路径约束示意图
Fig. 12. Schematic of typical local path constraint
下载图片 查看原文
图 13. “病态”扭曲路径示意图
Fig. 13. Diagram of "Morbid" twisting path
下载图片 查看原文
图 14. 椭圆边界参数示意图
Fig. 14. Schematic of parameter of elliptic band
下载图片 查看原文
图 15. 权值分配比例对识别率的影响
Fig. 15. Recognition rate of different weight distributions
下载图片 查看原文
图 16. 决策阈值对识别率的影响
Fig. 16. Influence of decision threshold values on recognition rate
下载图片 查看原文
图 17. 边界尺寸相同的三种常见的全局约束边界示意图
Fig. 17. Schematic of three global constraint boundaries with the same warping window size
下载图片 查看原文
图 18. 不同边界的搜索效率比较
Fig. 18. Comparison of searching efficiency of different bands
下载图片 查看原文
图 19. 不同全局边界在较长时间序列下的搜索效率
Fig. 19. Searching efficiency of different global boundaries on large time series
下载图片 查看原文
图 20. 不同边界形状/尺寸对识别精度的影响
Fig. 20. Classification accuracies of different boundaries sharps and sizes
下载图片 查看原文
图 21. 不同样本帧数下边界尺寸对识别精度的影响
Fig. 21. Classification accuracies of all warping window sizes with different frames
下载图片 查看原文
图 22. KTH 数据库上分类结果的混淆矩阵。(a)形状特征;(b)运动特征;(c)融合特征
Fig. 22. Confusion matrix of classification results on KTH dataset. (a) Shape feature; (b) motion feature; (c) fusion feature
下载图片 查看原文
图 23. Weizmann 数据库上分类结果的混淆矩阵。(a)形状特征;(b)运动特征;(c)融合特征
Fig. 23. Confusion matrix of classification results on Weizmann dataset. (a) Shape feature; (b) motion feature; (c) fusion feature
下载图片 查看原文
表 1不同算法在KTH行为数据库上的平均识别率与运行时间比较
Table1. Comparison ofaccuracy and computation time of different algorithms on KTH dataset
| Algorithm | Averageaccuracy /% | Computationtime /ms |
|---|
| Method in Ref.[7] | 89.70 | 23.9 | | Method in Ref.[10] | 85.67 | 30.3 | | Proposed method (motion) | 84.89 | 18.9 | | Proposed method (shape) | 81.11 | 19.3 | | Proposed method (fusion) | 92.70 | 21.7 |
|
查看原文
表 2不同算法在Weizmann行为数据库上的平均识别率和运行时间比较
Table2. Comparison of average accuracy and computation time of different algorithms on Weizmann dataset
| Algorithm | Averageaccuracy /% | Computationtime /ms |
|---|
| Method in Ref.[11] | 89.26 | 35.7 | | Method in Ref.[8] | 90.00 | 26.8 | | Proposed method (motion) | 83.69 | 17.9 | | Proposed method (shape) | 82.80 | 19.4 | | Proposed method (fusion) | 93.20 | 20.9 |
|
查看原文
表 3不同算法在UCF101行为数据库上的平均识别率比较
Table3. Comparison of average accuracy of different algorithms on UCF101 dataset
| Algorithm | Average accuracy /% |
|---|
| Method in Ref.[9] | 78.67 | | Method in Ref.[19] | 81.60 | | Proposed method (motion) | 77.90 | | Proposed method (shape) | 76.50 | | Proposed method (fusion) | 81.20 |
|
查看原文
李艳荻, 徐熙平. 基于空-时域特征决策级融合的人体行为识别算法[J]. 光学学报, 2018, 38(8): 0810001. Yandi Li, Xiping Xu. Human Action Recognition by Decision-Making Level Fusion Based on Spatial-Temporal Features[J]. Acta Optica Sinica, 2018, 38(8): 0810001.
PDF全文
