基于Spark的动作识别特征提取

摘要：

针对大规模动作识别时间长、识别精度低等问题,本文提出基于Spark框架的特征提取并行解决方法,利用Spark的内存计算能力,将视频数据分割成视频或帧,并将其放置到弹性分布式数据集(Resilient Distributed Data-sets Sets,RDDS)中进行后续处理,针对主流的深度学习特征提取方法:轨迹池深度卷积描述符(Trajectory-Pooled Deep-Convolutional Descriptors,TDD)、潜在概念描述符(Latent Concept Descriptor,LCD)和改进密集轨迹(Im-proved Dense Trajectories,IDT),给出分布式并行算法,并设计了局部特征聚合描述符(Vector Of Locally Aggre-gated Descriptors,VLAD)分布式编码算法,将提取的特征聚合到全局表示中,然后输入到深度学习模型分类器中识别视频中的动作.实验结果表明:本文方法提高了人类动作识别的实时性,且LCD在识别精度和处理时间之间的权衡优于其他几种方法.

关键词：Spark、弹性分布式数据集、特征提取、深度学习、动作识别

所属期刊栏目：46

分类号：TP311(计算技术、计算机技术)

资助基金：重庆市教委科学技术研究项目;重庆市教委科学技术研究项目

在线出版日期：2021-07-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：135-139