《人体行为识别概述测试数据库和顶级会议》由会员分享，可在线阅读，更多相关《人体行为识别概述测试数据库和顶级会议（34页珍藏版）》请在金锄头文库上搜索。
1、人体行为识别概述,机器视觉团队：欧阳寒,Page 2,行为识别现状,VSAM(Visual Surveillance and Monitoring) 1997 IVPL实验室(The Image and Video Processing Laboratory) AIRVL实验室(Artificial Intelligence，Robotics，and Vision Laboratory) LPAC实验室(Laboratory for Perception，Action and Cognition) KNIGHT系统 ISCAPs(Integrated Surveillance of Crowd
2、ed Areas for Public Security) REASON(Robust Methods for Monitoring and Understanding People in Public spaces) CANTATA(Content Aware Networked systems Towards Advanced and TailoredAssistance) 中国科学院自动化所的生物识别与安全技术研究中心CBSR 微软亚洲研究院,参考文献：监控视频中的人体异常行为检测研究,Page 3,行为识别前景,high-level video indexing and retriev
3、al “smart” video surveillance systems自动检测异常行为，辅助检索一个特定的事件。 The analysis of sport videos帮助教练进行战略分析。识别不同的游泳风格。 Hand gesture recognition虚拟现实 Human-Computer Interaction (HCI) systemskidsRoom、Smart room 、Facial action用于分析精神病病人的情感行为。 robotics medical area辅助诊断病人的运动问题。另一个是对老年人提供远程协助。,参考文献：Action Recognition
4、 in Videos:from Motion Capture Labs to the Web,Page 4,行为识别的流程,参考文献：运动人体行为分析视频中的人体运动分析及其应用研究,目标的运动特征，可以用于运动表述，是行为理解等高层部分的基础。 常见的运动表述方法有：运动轨迹、时空图表述和光流。,Page 5,行为识别的流程,。,Page 6,目录,目标检测,01,目标分类,02,特征提取,04,行为理解,05,目标跟踪,03,Page 7,运动目标检测,参考文献：视频中的人体运动分析及其应用研究.nh运动目标跟踪算法研究综述.pdf,对于不依赖先验知识的目标跟踪来讲，运动检测是实现跟踪的第
5、一步 运动检测即为从序列图像中将变化区域从背景图像中提取出来。,Page 8,目标检测时间差分法,在连续的图像序列中两幅或三幅相邻帧之间采用基于像素的时间差分，并对差分结果进行阈值化处理以提取图像中的前景运动区域。缺点： 前景、背景区域的确定与阈值的选取有很大的关系当灰度图像序列对比度较低时，由于相邻两帧的差(前景与背景之差)的范围很小，阈值难以选取，影响前景目标的分割结果。区域灰度值变化较为平坦时，容易在人体二值图像内产生空洞现象，给后续的目标分类、跟踪和识别造成不便。优点： 对于动态环境有较强的自适应性,Page 9,目标检测光流法,基于光流法的运动检测，是利用运动物体随时间变化在图像中表
6、现的光流特性，通过计算位移向量光流场来提取运动目标。 光流是空间运动物体在观测成像面上对应像素运动的瞬时速度，是空间物体可见点的三维速度矢量在成像平面上的投影，它携带了丰富的运动和结构信息。优点： 即使在摄像机运动的情况下也能检测出独立的运动目标。 缺点： 由于噪声、多光源、阴影和遮挡等原因，计算出的光流场分布并不十分可靠和准确。 多数光流法计算复杂、耗时，在实际的系统中没有特殊的硬件支持时，很难实现实时检测。,Page 10,目标检测背景减除法,最常用且有效的是背景减除法。 背景减除法最简单的实现方法是预先选取不含前景运动目标的背景图像，然后将当前图像帧与背景图像相减得到前景目标。背景减除法
7、通常在摄像机固定的情况下使用，关键是建立随场景变化不断更新的背景模型。有两类常用的背景更新方法: 1、建立背景模型并采用自适应方法对模型参数进行调整，从而获得新背景图像; 2、从过去的一组观测图像中按一定的假设选择像素值构成当前背景图像。,Page 11,目标分类,参考文献：视频中的人体运动分析及其应用研究,Page 12,人体描述,参考文献：Human Motion: Modeling and Recognition of Actions and Interactions,Page 13,运动跟踪,参考文献：运动目标跟踪算法研究综述,运动目标的跟踪，即通过目标的有效表达，在图像序列中寻找与目
8、标模板最相似候选目标区位置的过程。 就是在序列图像中为目标定位。 范例,Page 14,四种跟踪方法的比较,。,Page 15,运动目标的特征,参考文献：自动目标识别与跟踪技术研究综述,Page 16,运动表征,。,Page 17,行为识别,人的行为理解与描述是指对人的运动模式进行分析和识别, 并用自然语言等加以描述. 可以简单地认为是时变数据的分类问题，即将测试序列与预先标定的代表典型行为的参考序列进行匹配. 行为理解的关键问题是如何从学习样本中获取参考行为序列, 并且学习和匹配的行为序列能够处理在相似的运动模式类别中空间和时间尺度上轻微的特征变化.,Page 18,行为识别方法,Page
9、19,基于模板匹配的方法,首先将图像序列转换成一组静态形状模式 然后在识别过程中用输入图像序列提取的特征与在训练阶段预先存储的动作行为模板进行相似度比较，在比较数据可以有轻微变化下识别人体行为。,M H V (Motion History Volumes),Page 20,基于模板匹配的方法之DTW,DTW（dynamic time warping）动态时间规整 DTW是一种时变数据序列匹配方法DTW 优点：概念简单、算法鲁棒，能够对图像序列进行分类。DTW缺点：算法计算量较大，缺乏考虑相邻时序之间的动态特性，而在实际中，运动序列中相邻序列在时间和空间上有高度的相关性。,Page 21,基于状
10、态空间的方法,将图像序列中的每个静态姿势或运动状态作为一个状态节点，这些状态节点之间由给定的概率联系起来。任何的动作序列可以认为是这些静态动作在不同状态节点中的一次遍历过程，计算这个遍历过程的联合概率，取其最大值作为分类标准。基于状态空间的方法已经被广泛应用于预测、估计和检测时间序列。,Page 22,基于状态空间的方法HMM,隐马尔可夫模型的基本结构,Page 23,基于状态空间的方法DBNs,动态贝叶斯网络(dynamic Bayesian networks，DBNs)由于HMMs不能有效处理三个或三个以上独立的过程，作为HMMs的推广方法。 是一种对随机过程描述的有向图解 利用先验知识建
11、立视觉特征之间的因果关系来处理视频处理中固有的不确定性问题。 优点： 可以任意改变拓扑结果或增删变量以反映变量间各种不同的关联关系，而不影响训练算法本身，因此具有良好的可解释性，其拓扑结构具有精确及易于理解的概率语义。 相比马尔可夫链，贝叶斯网络训练比较复杂。,Page 24,基于状态空间的方法ANN,人工神经网络是由人工建立的以有向图为拓扑结构的动态系统，它通过对连续或断续的输入作状态响应而进行信息处理，在分析时变数据时具有很大的优势。 缺点：需要用大量的数据来训练网络TDNN(time-delay neural network)时延神经网络 是在多层前馈感知器神经网络模型中引入时延单元使得
12、神经网络增加记忆功能； 时变序列的前述值被用来预测下一个值。由于大量数据集成为可能，时延神经网络的重点就可以放在时分信息的表达 这样由此导出的神经网络模型适合应用于处理序列数据。,Page 25,基于状态空间的方法SVM,支持向量机(support vector machine，SVM )优点： 能够较好地解决常见的非线性分类问题中的小样本、非线性、高维数和局部极小点等实际问题 可以避免神经网络结构选择和局部极小点问题,Page 26,两种方法比较,模板匹配方法的优点是计算复杂度低、操作和实现简单，但缺乏考虑运动序列中相邻时序之间的动态特性，对于噪声和运动时间间隔的变化相当敏感。状态空间方法虽
13、然能克服模板匹配的缺点，但通常涉及到复杂的迭代运算，算法的步骤较为复杂，难以应用到实际工作中。,Page 27,基于语义的描述方法,用一种形式化的语法格式：主语（人）、谓语（人的动作）、宾语（实物），将场景中人的活动情况用填空的形式填入语法格式中，产生对场景的自然语言描述。基于语义描述的方法是对在一段持续时间内场景内容的分析过程目前还处于对场景中人体行为的简单语义解释对复杂场景中人体复杂行为有效的充分的语义描述还有相当艰巨的工作要做,Page 28,行为的分层模型,常用的概念 pose、actions、activities action/motor primitives Human actio
14、n recognition Motion analysis Action detection Automatic Target Recognition Behavior understanding visual analysis,Page 29,行为识别难点,运动分割（Motion Segmentation） 人体建模 遮挡问题 多摄像机的使用 运动特征选择与表达 行为识别 高层行为与场景理解 性能评估,Page 30,行为识别的热点,音频与视觉相结合的多模态接口行为理解与生物特征识别相结合人的运动分析向行为理解与描述高层处理的转变,Page 31,常用数据库,KTH human motion
15、 dataset Weizmann human action dataset INRIA XMAS multi-view dataset UCF sports action dataset Hollywood human action dataset CASIA,Page 32,顶级会议,ICCV(IEEE International Conference On Computer Vision) ICPR(IEEE Conference on Computer Vision and Pattern Recognition) ECCV(European Conference on Compute
16、r Vision) IJCV(International 30umal of Computer Vision) PAMI(IEEE Transactions on Pattern Analysis and Machine Intelligence) IEEE International Workshop Performance Evaluation of Tracking and Surveillance每年还提供PETS数据库用来评估智能监控系统的性能。 智能视觉监控学术会议 模式识别会议等,参考文献：监控视频中的人体异常行为检测研究,Page 33,参考文献,A survey of advances in vision-based human motion capture and analysis A survey on vision-based human action recognition Action Recognition in Videos from Motion Capture Labs to the Web 监控视频中的人体异常行为检测研究 视频中的人体运动分析及其应用研究 自动目标识别与跟踪技术研究综述 运动目标跟踪算法研究综述,
