本文探讨了行为识别中Dense Trajectories（DT）和Fisher Vector（FV）的应用。DT利用光流计算轨迹并提取多种特征，iDT通过匹配光流和SURF关键点来改进。FV编码方法通过GMM模型增强了特征表达能力，而Stacked Fisher Vector（SFV）通过两层FV编码层提高了识别效果，尤其适合描述复杂结构。特征提取、预处理、编码本构造、编码和池化正则化等步骤对识别性能至关重要。
ActionRecognition by Dense Trajectories ---(2011 CVPR)
Action Recognition with ImprovedTrajectories--- (2013 ICCV)
DT算法的基本思路为利用光流场来获得视频序列中的一些轨迹，再沿着轨迹提取HOF，HOG，MBH，trajectory4种特征，其中HOF基于灰度图计算，另外几个均基于dense optical flow计算。最后利用FV（Fisher Vector）方法对特征进行编码，再基于编码结果训练SVM分类器。而iDT改进的地方在于它利用前后两帧视频之间的光流以及SURF关键点进行匹配，从而消除/减弱相机运动带来的影响，改进后的光流图像被成为warp optical flow
最低0.47元/天 解锁文章
扫一扫
1392
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
