| 提要文摘： | 人体动作识别具有广泛的应用, 但是由于不同人在不同的场景下做同一类动作表现出的视觉差异大, 所以动作识别研究具有大的挑战。本书系统讨论了利用多特征和多模型进行动作识别的方法, 内容包括: 按照传统视频动作识别算法流程综述了视频动作识别各步骤的技术方法; 基于对超像素颜色概率分布区间KL散度的计算, 以及多尺度显著图的融合处理, 研究了一种新的显著性区域检测算法; 为提高行人检测的准确率, 研究了一种基于分割集成的方法用于静态图片中的行人检测; 为了实现长时间稳定的跟踪, 结合匹配型跟踪方法和决策型跟踪方法的优势, 同时利用集成学习的思想构建多个强分类器, 提出一种基于集成多示例学习的meanshift跟踪算法; 为了提高静态图像在遮挡等复杂情况下的动作识别效果和鲁棒性, 利用已得到的多个动作模型对任意一幅图像进行姿势估计, 得到图像的多组姿势特征信息, 实现动作识别; 对视频中提取的多种特征进行有效融合, 提出了利用流形度量学习的人体动作识别方法; 提出了一种将位置信息映射到视觉特征中的融合方式, 并将其用于动作识别中; 针对动作特征在卷积神经网络模型传输时的损失问题以及网络模型过拟合的问题, 提出一种跨层融合模型和多个模型投票的动作识别方法; 后针对近流行的基于深度学习的动作识别方法进行了详细的综述, 并对未来动作识别研究可能的发展方向进行了论述。 |
|---|