基于非线性知识迁移的交叉视角动作识别

摘要：

针对一般基于知识迁移的方法对未知视角不可用和难以扩展新数据的问题,提出一种基于非线性模型的无监督学习方法,即基于非线性知识迁移(nonlinear knowledge shift,NKS)的串联特征学习.提取密集动作轨迹,并利用通用码书编码;提取动作捕捉数据模拟点的密集轨迹,产生一个仿真数据的大型语料库来学习NKS,其中,轨迹提取前在视角方向上投影模拟点;再从真实视频中提取轨迹,用于训练和测试表示学习过程的轨迹,利用多类支持向量机分类串联特征.在两大通用人体动作识别数据库IXMAS和3D(N-UCLA)上验证了该方法的有效性,实验结果表明,在IXMAS数据集、不同摄像机情况下,该方法的识别精度高于同类方法至少3.5％,在3D(N-NCLA)数据集、双摄像头情况下,识别精度至少提高4.4％.在大部分动作识别中也取得最佳识别率,此外,该方法的训练时间可忽略不计,有望应用于在线人体动作识别系统.

关键词：非线性知识迁移、多类支持向量机、动作识别、无监督学习、串联特征

所属期刊栏目：29

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏省高校自然科学研究项目14KJB520036The Natural Science Research of the Colleges and Universities in Jiangsu Province14KJB520036

在线出版日期：2017-03-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：121-128