基于分层分数条件随机场的行为识别

doi:10.3724/SP.J.1087.2013.00957

计算机应用 ›› 2013, Vol. 33 ›› Issue (04): 957-959.DOI: 10.3724/SP.J.1087.2013.00957

基于分层分数条件随机场的行为识别

王科俊,吕卓纹,孙国振,阎涛

哈尔滨工程大学自动化学院，哈尔滨 150001

收稿日期:2012-10-16 修回日期:2012-12-10 出版日期:2013-04-01 发布日期:2013-04-23
通讯作者: 王科俊
作者简介:王科俊（1962-），男，吉林吉林人，教授，博士生导师，博士，主要研究方向：模式识别、神经网络；吕卓纹（1988-），女，吉林四平人，博士研究生，主要研究方向：模式识别、图像处理；孙国振（1985-），男，山东滕州人，硕士研究生，主要研究方向：视频监控；阎涛（1984-），男，河北衡水人，博士研究生，主要研究方向：模式识别、图像处理。
基金资助:
国家863计划项目(2008AA01Z148);国家自然科学基金资助项目（71173177）;博士点专项科研基金资助项目(20102304110004)

Human behavior recognition based on stratified fractal conditional random field

WANG Kejun,LV Zhuowen,SUN Guozhen,YAN Tao

College of Automation, Harbin Engineering University, Harbin Heilongjiang 150001, China

Received:2012-10-16 Revised:2012-12-10 Online:2013-04-01 Published:2013-04-23
Contact: WANG Kejun

摘要/Abstract

摘要： 针对隐条件随机场(HCRF)的实时性问题和隐动态条件随机场（LDCRF）行为转换时的标记偏差问题，提出了一种基于分层分数条件随机场(SFCRF)模型的行为识别算法。该算法改进了LDCRF，并提出分数标记的概念，将人体行为的完整性和有向性具体化。实验结果表明，该算法取得了比条件随机场(CRF)、HCRF和LDCRF更好的识别效果。

关键词: 隐条件随机场, 隐动态条件随机场, 标记偏差, 行为识别, 条件随机场

Abstract: In view of real-time issue of the Hidden Conditional Random Field (HCRF) and marked deviation problem of the Latent-Dynamic Conditional Random Field (LDCRF) during behavior transforming, this article proposed a kind of behavior recognition algorithm based on Stratified Fractal Conditional Random Field (SFCRF). The proposed algorithm improved LDCRF and put forward the concept of score mark, which made the integrity and direction of human behavior specific. The experimental results show that the proposed algorithm can obtain better recognition effect than Conditional Random Field (CRF), HCRF and LDCRF.

Key words: Hidden Conditional Random Field (HCRF), Latent-Dynamic Conditional Random Field (LDCRF), marked deviation, behavior recognition, Conditional Random Field (CRF)

中图分类号:

TP391. 41

王科俊吕卓纹孙国振阎涛. 基于分层分数条件随机场的行为识别[J]. 计算机应用, 2013, 33(04): 957-959.

WANG Kejun LV Zhuowen SUN Guozhen YAN Tao. Human behavior recognition based on stratified fractal conditional random field[J]. Journal of Computer Applications, 2013, 33(04): 957-959.

参考文献

［1］袁和金, 王翠茹. 人体行为识别的Markov随机游走半监督学习方法［J］. 计算机辅助设计与图形学学报, 2011, 23(10): 1749-1757.

［2］谷军霞, 丁晓青, 王生进. 行为分析算法综述［J］. 中国图象图形学报, 2009, 14(3): 377-387.

［3］ZHAO L Y, WANG X, SUKTHANKAR G, et al.Motif discovery and feature selection for CRF-based activity recognition［C］// 20th International Conference on Pattern Recognition. Piscataway, NJ: IEEE Press, 2010: 3826-3829.

［4］韩磊, 李君峰, 贾云得. 基于时空单词的两人交互行为识别方法［J］. 计算机学报,2010,33(4):776-784.

［5］WANG S B, QUATTONI A. Hidden conditional random fields for gesture recognition ［C］// 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2006: 1521-1527.

［6］MORENCY L P, QUATTONI A, DARRELL T. Latent-dynamic discriminative models for continuous gesture recognition［C］// 2007 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, DC: IEEE Computer Society, 2007: 1-8.

［7］ZHANG J G, GONG S G. Action categorization with modified hidden conditional random field［J］. Pattern Recognition, 2010, 43(1): 197-203.

［8］李玲玲, 金泰松, 李翠华. 基于局部特征和隐条件随机场的场景分类方法［J］. 北京理工大学学报, 2012, 32(7): 720-724.

［9］HUANG H, ZHU J. Tone modeling based on hidden conditional random field and discriminative model weight training［J］. Transactions of Nanjing University of Aeronautics and Astronautics, 2008, 25(1): 43-49.

［10］FUJII Y, YAMANOTO K, NAKAGAWA S. Hidden conditional neural fields for continuous phone speech recognition［J］. IEICE Transactions on Information and Systems, 2012, E95-D(8): 2094-2104.

［11］SUTTON C, ROHANIMANESH K, McCALLUM A. Dynamic conditional random fields: factorized probabilistic models for labeling and segmenting sequence data［C］// Twenty-First International Conference on Machine Learning. New York: ACM Press, 2004: 783-790.

［12］BlANK M, GORELICK L, SHECHTMAN E, et al.Actions as space-time shapes［C］// 10th IEEE International Conference on Computer Vision. Piscataway, NJ: IEEE Press, 2005: 1395-1402.

［13］WITTEN L H, FRANK E. 数据挖掘实用机器学习技术［M］. 董琳，邱泉，于晓峰，译. 北京: 机械工业出版社, 2006: 254-238.

[1]	李扬志, 袁家政, 刘宏哲. 基于时空注意力图卷积网络模型的人体骨架动作识别算法[J]. 计算机应用, 2021, 41(7): 1915-1921.
[2]	刘世泽, 秦艳君, 王晨星, 高存远, 罗海勇, 赵方, 王宝会. 基于多尺度特征提取的交通模式识别算法[J]. 计算机应用, 2021, 41(6): 1573-1580.
[3]	田志强, 邓春华, 张俊雯. 基于骨骼时序散度特征的人体行为识别算法[J]. 计算机应用, 2021, 41(5): 1450-1457.
[4]	蒋丽, 黄仕建, 严文娟. 基于低秩行为信息和多尺度卷积神经网络的人体行为识别方法[J]. 计算机应用, 2021, 41(3): 721-726.
[5]	戎炜, 蒋哲远, 谢昭, 吴克伟. 基于聚类关联网络的群组行为识别[J]. 计算机应用, 2020, 40(9): 2507-2513.
[6]	周云, 陈淑荣. 基于双流非局部残差网络的行为识别方法[J]. 计算机应用, 2020, 40(8): 2236-2240.
[7]	杨文璐, 于孟孟, 谢宏. 基于关键姿势的双人交互行为识别[J]. 计算机应用, 2020, 40(8): 2231-2235.
[8]	胡甜甜, 但雅波, 胡杰, 李想, 李少波. 基于注意力机制的Bi-LSTM结合CRF的新闻命名实体识别及其情感分类[J]. 计算机应用, 2020, 40(7): 1879-1883.
[9]	陈皓, 肖利雪, 李广, 潘跃凯, 夏雨. 基于人体关节点数据的攻击性行为识别[J]. 计算机应用, 2019, 39(8): 2235-2241.
[10]	王萍, 庞文浩. 基于视频分段的空时双通道卷积神经网络的行为识别[J]. 计算机应用, 2019, 39(7): 2081-2086.
[11]	郭明祥, 宋全军, 徐湛楠, 董俊, 谢成军. 基于三维残差稠密网络的人体行为识别算法[J]. 计算机应用, 2019, 39(12): 3482-3489.
[12]	王立林, 刘俊. 基于多尺度卷积的船舶行为识别方法[J]. 计算机应用, 2019, 39(12): 3691-3696.
[13]	姬晓飞, 秦琳琳, 王扬扬. 基于RGB和关节点数据融合模型的双人交互行为识别[J]. 计算机应用, 2019, 39(11): 3349-3354.
[14]	许玥, 冯梦如, 皮家甜, 陈勇. 基于深度学习模型的遥感图像分割方法[J]. 计算机应用, 2019, 39(10): 2905-2914.
[15]	廖斌, 李浩文. 基于多孔卷积神经网络的图像深度估计模型[J]. 计算机应用, 2019, 39(1): 267-274.

基于分层分数条件随机场的行为识别

Human behavior recognition based on stratified fractal conditional random field

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics