学位论文 > 优秀研究生学位论文题录展示

基于视觉注意机制的仿生动作识别系统

作　者: 程志君
导　师: 刘海华
学　校: 中南民族大学
专　业: 生物医学工程
关键词: 动作识别 注意机制 仿生系统 特征模板
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 59次
引　用: 0次
阅　读: 论文下载
 

内容摘要


识别动作是视频信息处理中的关键技术之一，主要目的是获取视频序列中的运动特征，便于视频信息的应用。由于人体动作在在运动特性、视频记录条件、个体差异等方面的变化，使得动作识别成为当前计算机视觉领域里最具挑战性的识别问题之一。随着脑神经科学研究的不断深入，人类对自身视觉系统的了解越来越清晰，相应的研究成果对计算机视觉中识别问题的研究提供了很大的启发。因此，模拟人脑视觉系统构建动作识别模型，一方面能够加深对人类大脑视觉信息处理系统的理解，另一方面为计算机实现动作识别提供了新的方法。本文在总结分析了已有的仿生动作识别系统的基础下，根据生物视觉系统信息处理的层次结构模型展开研究，初步取得了以下几个方面的研究结果：构建了基于注意机制的人类动作识别系统。该系统针对已有的仿生动作识别系统计算量大、耗时长的问题，将视觉注意机制引入动作识别模型中，采用HMAX层次结构模型，实现了对运动目标的感知及准确的定位，获得了准确有效的特征模板，从而构建了基于视觉注意机制的层次结构动作识别系统。提出了基于时空显著性的选择注意模型。该模型针对已有的视觉注意模型无法较好的解决视频序列中的背景噪声问题，将从视频序列中获得的运动信息作为获取显著性区域的特征之一，融合空间信息和运动信息，达到准确地获取运动对象的显著性区域的目的，从而减少视频序列中背景噪声的影响，提高了动作识别系统分析视频信息的效率。提出了一种快速获取有效特征模板的方法。由于特征模板的选取直接关系到运动特征提取的优劣，最终影响了系统识别的准确性，因此，给出了基于时空显著性特征的有效特征模板获取方法。该方法在基于时空显著性的视觉注意模型获取的感兴趣区域基础上，通过分析视频序列的中间级特征，即复杂细胞的响应，建立复杂细胞响应的能量值与运动目标对应的关系，从而获取候选特征小块的位置，以便系统根据识别要求选取相应的特征小块。该方法能直接获得性能较好的特征小块，降低了系统提取动作特征所需的时间。利用Weizmann和KTH等人体动作视频数据库对本文提出的方法进行测试,实验结果表明，本文提出的方法既减少了识别计算量，加快了识别速度，又提高了动作的识别率。另外，通过不同数据库中动作识别的交叉验证，表明本文提出的方法具有较强的鲁棒性。

全文目录


摘要  5-6
Abstract  6-10
第1章 绪论  10-16
  1.1 引言  10
  1.2 动作识别的研究问题  10-11
  1.3 人类视觉处理机制介绍  11-13
    1.3.1 初级视觉皮层（Vl）  12
    1.3.2 颞中回皮层（MT）  12
    1.3.3 人类视觉处理机制小结  12-13
  1.4 动作识别的算法介绍  13-14
    1.4.1 仿皮层机制的目标识别  13-14
    1.4.2 基于神经元机制的生物的动作识别  14
    1.4.3 受生物启发的动作识别  14
  1.5 本文主要内容及结构安排  14-16
第2章 模拟视觉皮层的运动信息检测  16-21
  2.1 动作识别系统概述  16-17
  2.2 视皮层中的简单细胞和复杂细胞  17
  2.3 简单细胞响应模型  17-18
  2.4 复杂细胞响应模型  18-20
  2.5 本章小结  20-21
第3章 基于注意机制的动作识别系统  21-33
  3.1 视觉注意模型  21-25
    3.1.1 人类视觉注意机制的介绍  21-22
    3.1.2 模拟视觉注意机制的感知模型  22-23
    3.1.3 结合运动信息的注意机制模型  23-24
    3.1.4 显著区域的获取  24-25
  3.2 基于注意机制的动作识别系统结构  25-26
  3.3 特征模板  26-27
  3.4 改进的特征模板提取方法  27-29
  3.5 S2 单元  29-30
  3.6 C2 单元  30
  3.7 分类器  30-31
    3.7.1 训练过程  31
    3.7.2 测试过程  31
  3.8 本章小结  31-33
第4章 实验结果与分析  33-38
  4.1 数据库  33
  4.2 数据库划分  33
  4.3 视频的预处理  33
  4.4 参数的介绍  33-34
  4.5 实验结果  34-38
    4.5.1 不同划分结果的比较  34
    4.5.2 比较不同的选取特征小块方法  34-35
    4.5.3 特征小块的个数对识别结果的影响  35
    4.5.4 不同数据集的交叉验证  35-38
第五章 总结与展望  38-40
  5.1 本文工作总结  38-39
  5.2 今后工作展望  39-40
参考文献  40-44
致谢  44-45
附录：攻读学位期间所发表的学术论文目录  45

相似论文

  1. 基于时空关键点的动作识别算法研究,TP391.41
  2. 复杂场景中的时空特征学习与人体行为分析,TP391.41
  3. 基于视觉选择性注意机制的物体的识别与跟踪研究,TP391.41
  4. 视频监控中目标的行为分析,TP391.41
  5. 低质量文档图像的二值化研究,TP391.41
  6. 虚拟架子鼓演示系统的设计与研究,TS953.36
  7. 基于兴趣点特征的多类物体识别,TP391.41
  8. 基于人体步态远距离身份识别算法研究,TP391.41
  9. 基于视觉选择性注意机制的车辆检测,TP391.41
  10. 基于视觉注意机制的运动目标识别算法研究,TP391.41
  11. 辅助无人机飞行控制的人造目标检测技术,TP751
  12. 消防单兵综合信息采集系统研究,TP274.2
  13. 基于CT图像的肺部疑似病灶区域分割算法研究,TP391.41
  14. 基于视觉注意机制的服饰平面广告,F713.8
  15. 中心区域可视二维条码的设计和编码方法,TP391.44
  16. 基于运动特征的视觉注意计算模型研究,TP391.41
  17. 基于图像识别的电脑自动验光算法研究,TP391.41
  18. 图像感兴趣区域数字水印算法研究,TP309.7
  19. 基于高层语义的图像检索研究,TP391.41
  20. 基于sEMG辨识技术的手部动作行为研究,TP183
  21. 基于背景剪除和隐马尔可夫模型的人体动作识别,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com