




版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、大連民族學(xué)院畢業(yè)設(shè)計(jì)(論文)翻譯材料 學(xué) 院: 計(jì)算機(jī)科學(xué)與工程 專 業(yè):班 級(jí):學(xué)生姓名:指導(dǎo)教師:金字塔詞匯樹的人類動(dòng)作識(shí)別袁春峰,李曦,胡衛(wèi)明,王菡子模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室,中國(guó)科學(xué)院自動(dòng)化研究所,北京,中國(guó)計(jì)算機(jī)科學(xué)學(xué)院,阿得雷德大學(xué),SA 5005,澳大利亞摘要視覺詞袋(BOVW)方法被廣泛用于人類行為的認(rèn)可。 通常情況下,當(dāng)小詞匯的BOXW對(duì)于噪音更堅(jiān)固的同時(shí),大詞匯量的BOVW在類間的動(dòng)作分類更有區(qū)別性,因此大詞匯的BOVW更能忍耐類內(nèi)的不變性。在這篇文章中,我們提出了一種金字塔詞匯樹來模擬局部時(shí)空特征,這種金字塔詞匯樹可以描述類間的差異,同時(shí)也承認(rèn)內(nèi)部類的變化。此外,
2、由于BOVW是幾何形狀不受限制,我們進(jìn)一步考慮時(shí)空信息的局部特征,并提出了一種稀疏時(shí)空空間金字塔匹配內(nèi)核(稱為作SST-PMK)來計(jì)算視頻序列之間的相似性測(cè)度。SST-PMK滿足Mercer條件,因此很容易集成SVM進(jìn)行動(dòng)作識(shí)別。魏茲曼數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,金字塔的詞匯樹和SST-PMK都能在人類動(dòng)作識(shí)別方面有明顯地提高。關(guān)鍵詞:動(dòng)作識(shí)別,視覺詞袋(BOVW),金字塔匹配的內(nèi)核(PMK)1引言由于人類動(dòng)作識(shí)別在智能監(jiān)控,人機(jī)接口,視頻索引及瀏覽,體育事件的自動(dòng)分析和虛擬現(xiàn)實(shí)上的關(guān)鍵值,它已受到越來越多的關(guān)注。 但是,人類動(dòng)作識(shí)別也存在許多難題,包括閉塞,光照變化,以及在規(guī)模、旋轉(zhuǎn)和
3、角度上的幾何變化。在一般情況下,動(dòng)作識(shí)別方法可以大致分類為基于模板的方法和基于外觀的方法1。基于模板的方法,存在著兩類模板。 第一次排序的模板直接使用幾個(gè)關(guān)鍵幀或分段的補(bǔ)丁的輸入視頻,如6,8中描述的。第二個(gè)排序的模板是通過輸入視頻的線性或非線性的轉(zhuǎn)換得到。 例如,Rodriguez等。9結(jié)合序列的訓(xùn)練圖像通過MACH過濾器組合成一個(gè)單一的復(fù)合模板。 對(duì)于基于外觀的方法,局部特征或全局(或大型)特征采用代表視頻。 一般情況下,當(dāng)?shù)氐臅r(shí)空功能是比大規(guī)模特征有更強(qiáng)大的噪聲,閉塞和行為變化。圖1興趣點(diǎn)定位在魏茨曼科學(xué)數(shù)據(jù)集的10個(gè)行動(dòng)視頻序列每個(gè)紅色點(diǎn)對(duì)應(yīng)一個(gè)
4、與檢測(cè)到的興趣點(diǎn)相關(guān)聯(lián)的視頻補(bǔ)丁。其中一個(gè)關(guān)鍵幀顯示出該視頻中檢測(cè)到的每個(gè)視頻和所有的興趣點(diǎn)上是相互重疊的關(guān)鍵幀。最近,幾個(gè)最先進(jìn)的動(dòng)作識(shí)別方法2,3,4,5,17,19使用BOVW,開發(fā)本地的時(shí)空特征。 通常情況下,這些方法首先生成一個(gè)視覺詞匯,然后塑造配有視覺字?jǐn)?shù)直方圖的視頻。很明顯在動(dòng)作識(shí)別過程中,詞匯起著決定性的作用。一個(gè)很好的詞匯不僅辨別出事物或行動(dòng)的類間不變性,也能包容事物或行動(dòng)的類內(nèi)不變性。選擇一個(gè)適當(dāng)?shù)拇笤~匯量的型號(hào)是常見的4,10。 然而,大尺寸的詞匯可能為每段視頻引入稀疏直方圖,并且?guī)砀嗟脑胍?,減弱了詞匯的最大區(qū)辨。另一方面,如果詞匯型號(hào)是小的,它可
5、能會(huì)導(dǎo)致群集和高內(nèi)部類失真。 出于這些觀察,我們提出了一種新的詞匯架構(gòu)金字塔詞匯樹,它結(jié)合了詞匯的不同尺寸的同時(shí)也開發(fā)了一種更大更有效的辨別詞匯。此外,在樹結(jié)構(gòu)上突出新功能的速度是很快的。 在金字塔詞匯樹中,視頻序列分層地出現(xiàn)例如詞匯樹的多分辨率直方圖。此外,眾所周知BOVW方法是幾何不受約束的。因此,許多運(yùn)算法則打算把幾何信息與BOVW結(jié)合起來。一些方法13,15把3D空間均勻地劃分成時(shí)空方格,然后在每個(gè)網(wǎng)格計(jì)算本地功能的直方圖。 然而,在的人類動(dòng)作影片中,興趣點(diǎn)通常在某些局部區(qū)域被發(fā)現(xiàn),而大多數(shù)其他地區(qū)不包含興趣點(diǎn)(圖1所示)。 通過這種觀察的啟發(fā),
6、我們把興趣點(diǎn)集中在時(shí)空的空間,形成幾個(gè)聚類中心。 在每個(gè)群集中心,我們計(jì)算局部特征的直方圖?;跁r(shí)空聚類中心,我們提出了一個(gè)稀疏的時(shí)空金字塔匹配的內(nèi)核(稱為SST-PMK)之間的相似性度量的視頻序列。在SST-PMK,用于表示視頻的直方圖比在13,15中更緊湊更堅(jiān)固。 因此,通過SST-PMK計(jì)算的距離更加可靠。 此外,SST-PMK滿足了Mercer條件并且可以直接作為SVM內(nèi)核去執(zhí)行動(dòng)作識(shí)別。在一般情況下,在稀疏時(shí)空表示動(dòng)作識(shí)別的金字塔詞匯樹的基礎(chǔ)上,我們提出了一個(gè)新的框架。建立金字塔樹是用來模仿局部特征,并且為了計(jì)算SST-PMK準(zhǔn)備了一個(gè)層次結(jié)構(gòu)。
7、0;此外,SST-PMK有效整合各級(jí)金字塔詞匯樹獲得的距離來計(jì)算視頻序列和很快速度之間的相似性。本文的其余部分安排如下。 第2部分介紹了如何生成金字塔詞匯樹。第3部分介紹SST-PMK,然后與SVM分類器相結(jié)合。 第4部分報(bào)告實(shí)驗(yàn)結(jié)果。 第5部分總結(jié)全文。圖 2所提出的金字塔詞匯樹的建立過程2金字塔詞匯樹金字塔詞匯樹的建立是通過分等級(jí)得集中一整套描述符向量的訓(xùn)練。 在圖 2中闡述了金字塔詞匯樹的構(gòu)建過程。首先,訓(xùn)練描述符矢量被聚集成k個(gè)視覺詞來建立最粗的級(jí)別0(即傳統(tǒng)BOVW)。隨后,我們把每個(gè)視覺詞在粗糙級(jí)別0上分成兩個(gè),從而形成更
8、精細(xì)的詞匯水平。 在這種情況下,詞匯樹用一個(gè)分層的由粗到細(xì)的方式擴(kuò)展。同時(shí),它的葉子節(jié)點(diǎn)的數(shù)量以指數(shù)方式增加。在下面的章節(jié)中,我們簡(jiǎn)要介紹了新一代的BOVW和建設(shè)金字塔詞匯樹的細(xì)節(jié)。2.1新一代的BOVW一整套的局部特征用于樹的無監(jiān)督訓(xùn)練。捕捉本地的功能包括兩個(gè)相對(duì)獨(dú)立的步驟:檢測(cè)長(zhǎng)方體和描述長(zhǎng)方體。 近年來,關(guān)于人類動(dòng)作識(shí)別有大量的探測(cè)器和描述符被提出。 這些適用于所有的識(shí)別系統(tǒng)。 在本文中,我們采用Dollár等等的探測(cè)器7檢測(cè)在每個(gè)視頻的每一幀中存在的長(zhǎng)方體并且使用PCA-SIFT描述符14來描述檢測(cè)長(zhǎng)方體。Dollár等等的探
9、測(cè)器7通過采用Gabor濾波的時(shí)間域檢測(cè)并且提高了3D哈里斯的探測(cè)器。檢測(cè)器的輸出是每個(gè)興趣點(diǎn)的位置,規(guī)模和占主導(dǎo)地位的方向。 我們提取在一個(gè)給定的規(guī)模中提取一個(gè)長(zhǎng)方體,這個(gè)規(guī)模集中了給定的規(guī)模s倍大小的每一個(gè)興趣點(diǎn)(s在本文中被設(shè)定為6)。然后,PCA-SIFT描述符將主要成分分析(PCA)適用于歸一化的梯度向量,這種梯度向量是由長(zhǎng)方體中所有點(diǎn)平坦化的水平和垂直梯度形成的。接著,一個(gè)K-均值聚類過程在所得到的PCA-SIFT功能上運(yùn)行。 結(jié)果,K的聚類中心在0級(jí)被視為k的視覺詞。 其他的聚類方法,如譜聚類21或最大化互信息(MMI)22,也可以是兩個(gè)備選方案,而
10、不是K-均值集群。2.2金字塔詞匯樹建成樹的第0級(jí)水平后,培訓(xùn)功能被劃分為 k組,其中每個(gè)組由最近的一個(gè)特定的視覺詞的功能組成。然后各組的訓(xùn)練特點(diǎn)在一個(gè)新級(jí)別聚集為兩個(gè)新的視覺詞匯。 因此,每個(gè)第0級(jí)的視覺詞匯在1級(jí)水平上分割成兩個(gè)新的視覺詞匯。 這種分裂是合理的,因?yàn)榧?jí)別為0級(jí)的視覺詞匯聚類后是高度緊湊的。 在這種方式下,樹一直生長(zhǎng)直到達(dá)到最大級(jí)別水平L。 每個(gè)級(jí)別的詞匯量的大小比其上一級(jí)別的水平翻了一番。在聯(lián)機(jī)階段,每個(gè)新的PCA-SIFT特征被比作0級(jí)別的選聚類中心,然后把它分配給最近的詞語(yǔ)。 然后結(jié)果被傳播到下一級(jí)別,導(dǎo)致我們
11、只需要把描述符向量與2個(gè)兒童聚類中心做比較,然后選擇最接近的一個(gè)。 一級(jí)一級(jí)的,新的特性很快得投射到樹。 此外,在計(jì)算復(fù)雜性方面,在我們的方法中新的PCA-SIFT特征的量化要求k+2l的數(shù)量積。 但是,用于由一種非層次的結(jié)構(gòu)方式表示的常規(guī)BOVW,這種量化需要 的數(shù)量積,而這種結(jié)構(gòu)方式在第L級(jí)別有著相同的詞匯量大小。3基于SST-PMK的SVM分類金字塔詞匯樹中,每個(gè)視頻可以被表示為一個(gè)多層次的視覺單詞直方圖。 為了有效地測(cè)量?jī)蓚€(gè)視覺字直方圖的相似性,在本節(jié)中我們提出了一個(gè)稀疏的時(shí)空金字塔匹配內(nèi)核(稱為SST-PMK)。此外,SST-PMK可
12、以作為一個(gè)內(nèi)核用于SVM分類。3.1稀疏的時(shí)空金字塔匹配的內(nèi)核(SST-PMK)金字塔匹配的內(nèi)核(PMK)是由格勞曼和達(dá)雷爾11 提出,它是有效得測(cè)量?jī)蓚€(gè)多分辨率直方圖相似性的內(nèi)核,而且它已成功地應(yīng)用到物體識(shí)別。然而,PMK 11的一個(gè)潛在的問題就是它并沒有考慮時(shí)空信息。從圖1可以看出,興趣點(diǎn)的幾何分布的在不同的動(dòng)作類之間定期的變化,所以時(shí)空信息用于改善動(dòng)作識(shí)別精度是非常有用的。 因此,當(dāng)計(jì)算PMK時(shí)我們時(shí)空信息的興趣點(diǎn)也考慮在內(nèi)。 這是我們SST-PMK的貢獻(xiàn)。在圖1中還觀察到興趣點(diǎn)在圖像中不是均勻分布的,并且某些區(qū)域沒有興趣點(diǎn)。不考慮這種觀察的情況下,在空間的區(qū)域中SP
13、M 13分割整個(gè)圖像為二維網(wǎng)格(即,圖像坐標(biāo)),同時(shí)在空間和時(shí)間的區(qū)域中STPM 15均勻地把整個(gè)視頻分割為3D網(wǎng)格。這兩種方法不能有效地分配網(wǎng)格,這導(dǎo)致了大量的網(wǎng)格和一些網(wǎng)格不包含任何興趣點(diǎn)。 此外,SPM和STPM都需要一個(gè)預(yù)處理步驟來規(guī)范圖像或視頻的大小。 相反,通過SST-PMK得到的網(wǎng)格如果沒有事先規(guī)范視頻的話,它是稀疏的并且有區(qū)別的。圖3顯示了SST-PMK的層次結(jié)構(gòu)。 一下列出了SST-PMK建設(shè)的具體程序。圖3用于每段視頻的SST-PMK層次結(jié)構(gòu)。興趣點(diǎn)的幾何信息相結(jié)合了金字塔的詞匯樹來表示視頻。起初,興趣點(diǎn)的時(shí)空向量聚集產(chǎn)生時(shí)空詞語(yǔ)(即圖3中用S
14、T表示i,1in)。由這些載體形成的3-D數(shù)據(jù)集被分為幾個(gè)子集。 該ST詞語(yǔ)都來源于子集的中心。然后,在每個(gè)ST字和每個(gè)級(jí)別上,我們?yōu)槊總€(gè)視頻計(jì)算描述符向量的直方圖(即PCA-SIFT特征)。 然后我們串連得到的直方圖為一個(gè)向量,代表l級(jí)的直方圖。同時(shí)中,是用于l級(jí)ST代表i的直方圖。也就是說,我們?yōu)槊總€(gè)視頻建立了一個(gè)如圖3所示的層次結(jié)構(gòu),并且這個(gè)結(jié)構(gòu)作為一個(gè)直方圖向量代表著視頻。如圖所示 3,給定兩個(gè)視頻的相應(yīng)的直方圖向量X和Y,SST-PMK在層次結(jié)構(gòu)中計(jì)算出一個(gè)加權(quán)直方圖交集。在每個(gè)級(jí)別l上,直方圖交交集被定義為每個(gè)二進(jìn)制里最小值的總和:其中是X中的一個(gè)元素
15、,它表示的是視頻的直方圖,用于在l級(jí)別中ST表示j,(i)表示中第i個(gè)二進(jìn)制中的數(shù)值。在l級(jí)別感應(yīng)到的新的配對(duì)的數(shù)量在連續(xù)的直方圖交集之間是不同的:因?yàn)長(zhǎng)級(jí)是最高的水平,所以我們?cè)贚級(jí)別到0級(jí)別中計(jì)算了僅與金字塔詞匯樹建立過程相反的匹配的數(shù)量。所得到的內(nèi)核K是通過加權(quán)求和得到的,這些和是每個(gè)級(jí)別與相匹配的數(shù)量,并且與級(jí)別l相關(guān)聯(lián)的權(quán)重被設(shè)置為:此時(shí)SST-PMK在層次結(jié)構(gòu)中有效地結(jié)合了每一級(jí)別。 在粗糙的水平的新配對(duì),雖然在更精細(xì)的水平是不匹配的,但是也被包含在SST-PMK內(nèi)。 這對(duì)應(yīng)于行動(dòng)識(shí)別中的某些情況,例如由不同的人操作同一類動(dòng)作,或者一個(gè)人多次操作同一類動(dòng)作。
16、160;如果這些內(nèi)部類的動(dòng)作不被視為相匹配的精細(xì)程度,他們?nèi)匀豢梢员灰暈橄嗥ヅ浯植诘乃健?#160;因此,根據(jù)金字塔樹和SST-PMK,我們的方法可以克服內(nèi)部類的對(duì)象和動(dòng)作之間的差異。3.2 SVM分類我們采用16中的算法去訓(xùn)練SVM用于人類動(dòng)作識(shí)別。從方程(3),我們得到以下等式:實(shí)際上是一個(gè)金字塔匹配核(PMK)11。 11證明了PMK是一個(gè)默瑟內(nèi)核和一個(gè)正半定內(nèi)核。 鑒于默瑟內(nèi)核封閉,等式(4)表明,SST-PMK是默瑟內(nèi)核。 因此,視頻之間的SST-PMK距離被直接納入核函數(shù)的SVM分類器。4實(shí)驗(yàn)圖 4混淆矩陣用于魏茨曼行動(dòng)數(shù)據(jù)集的方法被提議的
17、行動(dòng)識(shí)別方法直接操作不分段輸入圖像序列,其目的是識(shí)別低一級(jí)的行動(dòng),如散步,跑步,拍手。 請(qǐng)注意,我們的識(shí)別系統(tǒng)不需要任何的預(yù)處理步驟。 與此相反,在12,18,20中有一個(gè)共同的限制:一個(gè)人物中心的時(shí)空量或輪廓的每個(gè)人必須事先被指定并且用固定的大小做出調(diào)整。然而,對(duì)象分割與跟蹤本身難以實(shí)現(xiàn)。我們測(cè)試我們用于魏茲曼數(shù)據(jù)集23 的方法。魏茨曼人的行動(dòng)數(shù)據(jù)集包含10種不同的動(dòng)作,包括散步、跑步、跳躍、奔騰側(cè)身、彎曲、單手揮舞、雙手揮舞、原地跳躍、開合跳和跳繩。從每個(gè)動(dòng)作類得出的一個(gè)代表性幀在圖1中表示出來。這里總共有93個(gè)樣本。視頻的分辨率是320×240像素和幀速率是
18、15幀。我們用留一交叉驗(yàn)證來評(píng)估競(jìng)爭(zhēng)的算法。紅線通過所提出的方法獲得,藍(lán)色是普通的BOVW的方法,而黑色是沒有考慮時(shí)空信息的PMK的方法。圖5通過三種途徑得到識(shí)別準(zhǔn)度對(duì)比 0級(jí)別的詞匯量大小在所有的實(shí)驗(yàn)中,我們使用最先五個(gè)人的視頻學(xué)習(xí)視覺詞匯包。在每次運(yùn)行時(shí),8名演員的影片被用來作訓(xùn)練集,剩余的一個(gè)人視頻用作測(cè)試集。訓(xùn)練集和測(cè)試集之間不存在重疊。我們運(yùn)行這種算法9次,然后報(bào)告平均結(jié)果。在我們的方法中,三層金字塔的詞匯樹是用來模擬局部功能。在粗糙水平(即0級(jí)),視覺詞的數(shù)目設(shè)定為160,在最好的水平(即2級(jí)),視覺詞的數(shù)目設(shè)定為640。 興趣點(diǎn)的幾何信息聚成10個(gè)中心。我們把SST-P
19、MK做為SVM核來使用。圖4顯示了混淆矩陣,即用在魏茨曼數(shù)據(jù)集中的我們的方法?;煜仃嚨拿恳恍袑?duì)應(yīng)的是地面實(shí)況類,每一列對(duì)應(yīng)的是所分配的集群。 這表明,我們的方法在大運(yùn)動(dòng)的動(dòng)作上效果比較好,但是在小的差異動(dòng)作上它沒有實(shí)現(xiàn)預(yù)期的結(jié)果。大運(yùn)動(dòng)的動(dòng)作識(shí)別準(zhǔn)確性是100,如“彎曲”,“開合跳”中,“原地跳躍”、“側(cè)旋轉(zhuǎn)”、“走”、“單手揮舞”和“雙手揮舞”。 “跳躍”、“跑步”和“跳繩”的動(dòng)作彼此相似,因此可能會(huì)有點(diǎn)相互混淆。4.1三種方法的比較為了證明金字塔詞匯樹和提出的SST-PMK方法的優(yōu)越性,我們采用其他兩種方法與我們的方法做比較。 第一種的方法我們只使用一個(gè)詞匯
20、(即常規(guī)BOVW),其余的設(shè)置和我們的方法一樣。由于只是一個(gè)級(jí)別,所以SST-PMK退化為兩個(gè)直方圖相交的總和: 其中n是ST詞匯的數(shù)量, 等于我們方法中L級(jí)別的詞匯量的大小。因此,在第一種方法中,等式(6)被用作SVM分類的內(nèi)核。對(duì)于第二種方法,我們不考慮幾何信息,即PMK用于SVM分類。此外,我們采用的這三種方法方法使用不同的詞匯量。 圖5繪制的是三種方法的識(shí)別精度曲線對(duì)比 0級(jí)的詞匯大小k 。圖5表明我們方法在大多數(shù)情況下,獲得了最高的識(shí)別準(zhǔn)確率。對(duì)于 k = 50,60,.,500,我們的方法比第一種方法平均高7.6
21、3,比第二種方法高4.66。這表明了金字塔詞匯和興趣點(diǎn)的幾何信息對(duì)于動(dòng)作識(shí)別都是有幫助的。4.2SVM的內(nèi)核比較表1建議的SST-PMK和用于SVM分類器的四個(gè)大眾內(nèi)核之間的比較我們也比較所提出的SST-PMK與其他四種用于SVM的大眾所用的內(nèi)核:線性核,多項(xiàng)式核,徑向基函數(shù)(RBF),和Sigmoid核。相同的實(shí)驗(yàn)配置應(yīng)用于所有五種內(nèi)核。 此外,在SVM分類器16中使用了,C-支持向量機(jī)分類(C-SVC),并且兩個(gè)內(nèi)核參數(shù)(c和g)也被考慮在內(nèi)。不同的內(nèi)核參數(shù)用來估計(jì)的識(shí)別精度:更具體地說,由于線性內(nèi)核和SST-PMK只有一個(gè)參數(shù)c,我們嘗試31種不同的c值,然后報(bào)告最好的結(jié)果。對(duì)
22、于其他三個(gè)內(nèi)核(多項(xiàng)式核,徑向基函數(shù),Sigmoid核)有兩個(gè)參數(shù)c和 g,我們嘗試31×19 = 589種組合。表1顯示了在我們方法的基礎(chǔ)上使用五種內(nèi)核的實(shí)驗(yàn)結(jié)果。基于我們的方法,多項(xiàng)式核出現(xiàn)了最壞的結(jié)果,其他三個(gè)內(nèi)核的平均精度(線性內(nèi)核,Sigmoid核和RBF)比我們的稍微低一點(diǎn)。我們的方法達(dá)到最佳的識(shí)別效果,并且十有八九優(yōu)于其它四種內(nèi)核。5結(jié)論在本文中,我們開發(fā)了一個(gè)新的框架,這種框架能夠在不分段的視頻序列中識(shí)別低一級(jí)的行動(dòng),如步行、跑步、拍手。本文有以下兩種文獻(xiàn)。首先,據(jù)我們所知,詞匯是第一次成為人類動(dòng)作識(shí)別中金字塔樹的拓?fù)浣Y(jié)構(gòu)的一部分。 其次,我們提出
23、了在局部特征的幾何信息中占有優(yōu)勢(shì)的SST-PMK,這種優(yōu)勢(shì)可以計(jì)算出視頻序列之間的相似性。SST-PMK提高了PMK聚集興趣點(diǎn)的時(shí)空信息的性能。實(shí)驗(yàn)表明了所提方法的有效性和穩(wěn)健性。6致謝這項(xiàng)工作部分由國(guó)家自然科學(xué)基金(批準(zhǔn)號(hào):60825204,60672040,60705003)和中國(guó)國(guó)家“863”高新技術(shù)研發(fā)計(jì)劃(批準(zhǔn)號(hào):2006AA01Z453,2009AA01-Z318)提出的。參考文獻(xiàn)1. J.K. Aggarwal和S. Park。人體運(yùn)動(dòng):識(shí)別和行為建模和相互作用。在第二次國(guó)際研討會(huì)關(guān)于三維數(shù)據(jù)處理,可視化與傳輸,第640-647頁(yè),9月69,2004。2. C. Schuldt,
24、 I. Laptev, and B. Caputo。認(rèn)識(shí)到人的行為:一個(gè)局部SVM方法。在ICPR,第3236頁(yè),2004。3. I. Laptev, M. Marsza ek, C. Schmid, and B. Rozenfeld。在電影中學(xué)習(xí)現(xiàn)實(shí)人類動(dòng)作。在CVPR,2008。4. J. Niebles, H. Wang, and L. Fei-Fei。使用空間詞匯用于人類行為分類的無監(jiān)督學(xué)習(xí)。Ijcv,第299318頁(yè),2008。5. K. Yan, R. Sukthankar, and M. Hebert。應(yīng)用體積特征的有效視覺事件檢測(cè)。在ICCV,第166173頁(yè),2005。6.
25、D. Weinland, and E. Boyer。使用基于樣例嵌入的動(dòng)作識(shí)別。在CVPR,2008。7. P. Dollár, V. Rabaud, G. Cottrell, and S. Belongie。通過稀疏時(shí)空特征的行為識(shí)別。關(guān)于視覺監(jiān)控和績(jī)效評(píng)估、跟蹤和監(jiān)視的第二次聯(lián)合IEEE國(guó)際研討會(huì)。第65-72頁(yè),2005。8. F. Lv, and R. Nebatia。使用關(guān)鍵姿態(tài)匹配和維特比路徑搜索的單視圖人體動(dòng)作識(shí)別。在CVPR,2007。9. M. D. Rodriguez, J. Ahmed, and M. Shah。用于動(dòng)作識(shí)別的行動(dòng)馬赫的時(shí)空最大平均相關(guān)高度過濾器。在CVPR,2008。10. B. Fulkerson and A. Vedaldi, and S.Soatto。配備智能詞典的定位對(duì)象。在歐洲計(jì)算機(jī)視覺會(huì)議錄(E
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 勞務(wù)合同和技術(shù)承包
- 個(gè)人勞務(wù)分包合同簡(jiǎn)本
- 綠化護(hù)坡施工方案
- 產(chǎn)品測(cè)評(píng)表-產(chǎn)品用戶反饋收集
- 生物化學(xué)分析實(shí)驗(yàn)技術(shù)練習(xí)題集
- 商場(chǎng)餐飲經(jīng)營(yíng)商鋪?zhàn)赓U合同
- 農(nóng)民宅基地轉(zhuǎn)讓合同
- 臨汾低溫冷庫(kù)施工方案
- 杭州室內(nèi)球場(chǎng)施工方案
- 鋁合金飛廊及蓋板施工方案
- 中建測(cè)評(píng)二測(cè)題庫(kù)
- 店長(zhǎng)管理員工培訓(xùn)
- DB11∕T 3010-2018 冷鏈物流冷庫(kù)技術(shù)規(guī)范
- 愛普生L4168說明書
- 現(xiàn)代家政導(dǎo)論-課件 2.2家庭制度認(rèn)知
- 題型專訓(xùn):平方差公式和完全平方公式
- 內(nèi)容審核機(jī)制
- 公司解散清算的法律意見書、債權(quán)處理法律意見書
- 《網(wǎng)絡(luò)營(yíng)銷》試題及答案2
- 譯林版-小學(xué)五年級(jí)下冊(cè)-繪本閱讀-Home-Is-Best-課件
- 甲狀腺術(shù)后病人護(hù)理查房
評(píng)論
0/150
提交評(píng)論