论文总字数：27093字

摘 要

学生姓名：汪益清 指导老师：罗琳

近年来，机器学习在各行业中都受到了广泛关注，作为其中重要的分支，人体行为识别正在受到更为广泛的关注。因为在现实生活场景中，人体行为识别有极大的应用前景与发展空间。但是由于人体行为的复杂性、多样性，以及环境所带来干扰，在进行行为识别的过程中依然有许多棘手的问题存在，这些问题会对识别系统造成不同程度上的不良影响。

针对环境所带来的干扰之一——相机运动干扰问题，我们可以用相机运动估计来消除相机运动影响，这促成了改进的密集轨迹算法的诞生。本文将其与传统的密集轨迹算法进行理论上的比较分析，同时也用切实的实验来证明理论分析结果。在实验中，我们使用HMDB51和UCF50这两个数据库来进行测试。其所包含的样本视频均来自于YouTube，具有很强的现实适用性。

对我们本次的实验结果进行分析后，可以发现，改进后的密集轨迹算法在识别率上相较于密集轨迹算法有明显的提升，对识别准确率和鲁棒性的提高是十分有效的。此外，使用不同的描述符也会对识别效果产生极大的影响。

关键词：人体行为识别，特征提取，密集轨迹，改进的密集轨迹，特征描述符

Abstract

Student's Name：Yiqing Wang Tutor：Lin Luo

In recent years, machine learning has received wide attention in various industries. As an important branch, human behavior recognition is receiving more and more attention. Because in real life scenes, human behavior recognition has great application prospects and development space. However, due to the complexity and diversity of human behavior, as well as the interference caused by the environment, there are still many difficult problems in the process of behavior recognition, which will have different degrees of adverse effects on the identification system.

For one of the disturbances caused by the environment - camera motion interference , we can use camera motion estimation to eliminate the effects of camera motion, which led to the birth of improved dense trajectory algorithms. This paper compares it with the traditional dense trajectory algorithm in theory, and also uses tangible experiments to prove the theoretical analysis results. In the experiment, we used two databases, HMDB51 and UCF50, for testing. The sample videos it contains are all from YouTube and have strong practical applicability.

After analyzing the experimental results of this time, we could find that the improved dense trajectory algorithm has a significant improvement in the recognition rate compared with the dense trajectory algorithm, and is very effective for improving the recognition accuracy and robustness. In addition, the use of different descriptors can have a significant impact on the recognition effect.

KEY WORDS: Human behavior recognition, Feature extraction, Dense trajectory, Improved dense trajectory, Feature descriptor

目 录

摘 要 I

Abstract II

第一章 绪 论 1

1.1 引言 1

1.2 人体行为识别系统研究现状 2

1.2.1 传统特征提取进行行为识别 2

1.3 论文主要研究内容及意义 5

1.4 论文组织结构 6

第二章 密集轨迹算法 8

2.1 引言 8

2.2 相关概念 9

2.2.1 密集轨迹 10

2.2.2 轨迹对准描述符 12

2.3.3 SVM分类 14

2.4 本章小结 19

第三章 改进的密集轨迹算法 20

3.1 概述 20

3.2 相机运动估计 20

3.3 特征编码 25

3.4 本章小结 27

第四章 实验结果与分析 28

4.1 概述 28

4.2 实验结果分析 29

4.3 本章小结 30

第五章 总结与展望 31

5.1 总结 31

5.2 展望 31

参考文献（References） 33

致 谢 36

第一章 绪 论

1.1 引言

人体行为，是人类受思想支配所作出的一种外显活动。通常，作出怎样的行为受到两方面的影响，除了主体的主观意识之外，还包含外界环境的刺激。在这两点的综合下，人体行为注定具有高度的复杂性与多样性。近年来，机器视觉和人工智能正处于高速发展期，在诸多领域中都是众人瞩目的焦点。随着社会的迅猛发展，关于图像识别的需求也在与日俱增。其中，人体行为识别在图像识别领域具有极高的地位和十分良好的发展前景，因此人体行为识别研究的重要性也在一步步凸显。

本文的人体行为识别系统是基于视频的基础上构建的。目前而言，在常见的信息载体中，视频相对于图片、文字等形式具有更高的优越性。首先，在承载的信息量方面，视频拥有着绝对领先的地位，远超于其他传统媒体形式。其次，通过视频所独有的时序关联性，能够最大程度上还原事件的完整性与真实性。此外，不可忽视的是，随着通信技术的高速发展与通信设备的不断升级，我国网络视频用户数量持续多年保持高速增长，如此大规模的应用也在一定程度上催促着人体行为识别技术的发展。

作为信息化与大数据时代的产物，人体行为识别技术在智能监控领域和网络视频管理领域的应用正在迅速推广。例如在需要重度排查安全隐患的场所——如机场、车站、展馆等，以及诸如敬老院、托儿所等特殊人群集聚地，使用大量的视频监控设备已经是常态化的存在。然而在目前的监控系统中，难以实时处理监控信息的问题仍亟待解决。在大多数利用视频监控信息处理犯罪案件的流程中，都是在案发后通过设备调取先前存储的数据来完成侦破，从而确定案情经过与犯罪嫌疑人行为信息。为了弥补实时性的缺失，需要在监控室等场所配备相关工作人员进行轮班值守，不仅没有将监控设备的功能最大化发挥，还浪费了大量的人力物力。因此，实时智能监控的实现在资源节约与突发情况预警方面有着极高的需求。

剩余内容已隐藏，请支付后下载全文，论文总字数：27093字