《基於Martingale-test理論的無監督人體行為分類算法研究》是依託山東大學，由盧國梁擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：基於Martingale-test理論的無監督人體行為分類算法研究
- 項目類別：青年科學基金項目
- 項目負責人：盧國梁
- 依託單位：山東大學
中文摘要,結題摘要,
中文摘要
人體行為分類是計算機視覺領域中實現人體行為智慧型分析與理解的核心技術。無監督行為分類從機器學習的角度對行為視頻進行數據分析與挖掘以區分行為類別,理論上具有更加廣闊的發展前景。本課題致力於解決無監督行為分類中缺乏視頻數據分析與挖掘通用算法的問題，擬提出以Martingale-test為理論框架，利用“變化(突變)檢測”的方式對行為數據進行分析與挖掘，進而實現人體行為無監督分類。計算流程如下：首先從圖結構角度對人體行為進行自組織建模，然後結合互換性原理利用Martingale-test實現兩個時序圖結構(分別由已觀測行為視頻和新觀測行為視頻構建)的變化點檢測，最後將邏輯化的檢測結果(1或0)映射為決策結果並結合相應處理策略實現人體行為無監督分類。本課題可為無監督行為分類提供視頻數據分析與挖掘的通用算法，並建立相應處理策略與算法實現結構以實現可同時完成行為識別與新行為檢測的無監督行為分類。
結題摘要
無監督人體行為識別是計算機視覺領域中實現人體行為智慧型分析與理解的核心技術之一。項目團隊主要圍繞人體行為識別和時間序列分析展開工作。一方面，針對人體行為識別，提出了一種局部自相似性的行為特徵和一種基於DS證據理論的分類算法。該方法在低解析度下的人體行為識別中體現了良好的識別性能。同時，為降低行為識別過程中的計算負擔，分別提出了基於時間序列實時分析和回溯性分析的關鍵幀提取算法，並將其成功套用到視頻的梗概中。本項目的研究結果對於時序數據分析在行為識別中的套用具有重要意義。 此外，針對周期性時間序列的變化檢測，分別提出了基於自回歸積分滑動平均模型和圖結構的檢測算法，解決了周期性時間序列結構變化點檢測和變化周期檢測的問題，並成功套用到旋轉機械運行狀態監測中。這為以後研究工作的開展提供了新的研究思路。
