Recognition of human actions from v

Recognition of human actions from video images is
very important in various ways, such as surveillance,
video retrieval and human computer interaction. The
general method for human action recognition is to extract human motion information directly from video
sequences and to compare it with a human action database. The important problem for human action recognition is how to learn and classify human actions efficiently. The approaches for human action recognition
from images can be classified into two types. The first
type [1, 8, 9] is to use 2D motion information from
background subtraction, frame differencing, optical
flow segmentation, and these methods are easy to calculate. However, 2D image information changes due to
lighting conditions and camera view points. The second type [2, 10] is to use 3D motion information from
a marker and marker-less motion capture system. It is
difficult to get 3D human motions, because it needs
especial devices or complex algorithms.
2D-based methods are popular methods for human
action recognition. There is a famous method that uses
an eigenspace method for learning [3]. The eigenspace
method regards one image as one point in eigenspace,
so image sequences are point sequences of time series
data. It is possible to recognize human actions by verifying the shape of locus constructed from the point
sequences in eigenspace. Several successive methods
using the eigenspace method for recognizing human
motions have been proposed [4, 5, 15, 16, 17, 18]. The
eigenspace transformation based on Principal Component Analysis (PCA) is applied to video images for
reducing the dimensionality of input feature space.
Several pattern classification techniques are finally
performed in the lower-dimensional eigenspace for
recognition. However, the eigenspace based on PCA is
not always the best feature space for pattern recognition, because PCA can only reduce the dimensionality
of input data. Recently, some applications of Independent Component Analysis (ICA) [14] that is a statistical data analysis method have been exploited in the
field of image processing and computer vision. For
example, face recognition, the blind deconvolution of a
blurred image and separating reflections. The ICA generalizes the technique of PCA and has proven to be
superior to PCA for face recognition [6, 7].
In this paper, we use the feature space based on ICA
and show that the ICA representation is more effective
than the PCA representation for recognizing human
actions. We give a comparison result between ICA and
PCA.
Section 2 describes the related work. Section 3 presents the ICA representation of human actions. Section
4 describes our experimental results. Section 5 summaries our conclusion

ผลลัพธ์ (ไทย) 2:

การรับรู้การกระทำของมนุษย์จากภาพวิดีโอเป็นสิ่งที่สำคัญมากในรูปแบบต่างๆเช่นการเฝ้าระวังการดึงวิดีโอและการมีปฏิสัมพันธ์คอมพิวเตอร์ของมนุษย์ วิธีการทั่วไปสำหรับการรับรู้การกระทำของมนุษย์คือการดึงข้อมูลการเคลื่อนไหวของมนุษย์โดยตรงจากวิดีโอลำดับและเปรียบเทียบกับฐานข้อมูลการกระทำของมนุษย์ ปัญหาที่สำคัญสำหรับการรับรู้การกระทำของมนุษย์เป็นวิธีการที่จะเรียนรู้และแยกประเภทการกระทำของมนุษย์ได้อย่างมีประสิทธิภาพ แนวทางสำหรับการรับรู้การกระทำของมนุษย์จากภาพสามารถแบ่งได้เป็นสองประเภท ครั้งแรกชนิด [1, 8, 9] คือการใช้ข้อมูลจากการเคลื่อนไหว 2D ลบพื้นหลังกรอบความแตกต่างของแสงการแบ่งส่วนการไหลและวิธีการเหล่านี้เป็นเรื่องง่ายในการคำนวณ อย่างไรก็ตามข้อมูลภาพ 2D เปลี่ยนแปลงอันเนื่องมาจากสภาพแสงและจุดมุมมองกล้อง ประเภทที่สอง [2, 10] คือการใช้ข้อมูลการเคลื่อนไหว 3 มิติจากเครื่องหมายและการเคลื่อนไหวเครื่องหมายน้อยกว่าระบบการจับภาพ มันเป็นเรื่องยากที่จะได้รับการเคลื่อนไหวของมนุษย์ 3 มิติเพราะความต้องการอุปกรณ์พิเศษหรือกลไกที่ซับซ้อน. วิธี 2D-based เป็นวิธีที่นิยมสำหรับมนุษย์รับรู้การกระทำ มีวิธีการที่มีชื่อเสียงที่ใช้เป็นวิธีการ eigenspace สำหรับการเรียนรู้ [3] eigenspace วิธีการนับถือหนึ่งภาพเป็นจุดหนึ่งใน eigenspace, เพื่อลำดับภาพลำดับจุดอนุกรมเวลาข้อมูล มันเป็นไปได้ที่จะรับรู้การกระทำของมนุษย์โดยการตรวจสอบรูปแบบของสถานที่ที่สร้างจากจุดลำดับใน eigenspace วิธีการต่อเนื่องหลายใช้วิธี eigenspace สำหรับการรับรู้ของมนุษย์การเคลื่อนไหวได้รับการเสนอ[4, 5, 15, 16, 17, 18] เปลี่ยนแปลง eigenspace อยู่บนพื้นฐานของการวิเคราะห์องค์ประกอบหลัก (PCA) ถูกนำไปใช้ภาพวิดีโอสำหรับการลดมิติของพื้นที่คุณลักษณะการป้อนข้อมูล. รูปแบบหลายเทคนิคการจัดหมวดหมู่เป็นที่สุดดำเนินการใน eigenspace ต่ำมิติสำหรับการรับรู้ อย่างไรก็ตาม eigenspace ขึ้นอยู่กับ PCA เป็นไปไม่ได้เสมอพื้นที่คุณลักษณะที่ดีที่สุดสำหรับการรับรู้รูปแบบเพราะPCA สามารถลดมิติของข้อมูลเข้า เมื่อเร็ว ๆ นี้การใช้งานบางส่วนของวิเคราะห์องค์ประกอบอิสระ (ICA) [14] ที่เป็นวิธีการวิเคราะห์ข้อมูลสถิติที่ได้รับการใช้ประโยชน์ในด้านการประมวลผลภาพและคอมพิวเตอร์วิสัยทัศน์ สำหรับตัวอย่างเช่นการจดจำใบหน้าที่ deconvolution ตาบอดของภาพเบลอและแยกการสะท้อน ไอซี generalizes เทคนิคของ PCA และได้พิสูจน์แล้วว่าดีกว่าPCA สำหรับการจดจำใบหน้า [6, 7]. ในบทความนี้เราจะใช้พื้นที่คุณลักษณะที่ขึ้นอยู่กับ ICA และแสดงให้เห็นว่าการเป็นตัวแทน ICA มีประสิทธิภาพมากขึ้นกว่าการเป็นตัวแทนPCA สำหรับ การรับรู้ของมนุษย์กระทำ เราจะให้ส่งผลให้เกิดการเปรียบเทียบระหว่างไอซีและPCA. ส่วนที่ 2 อธิบายถึงการทำงานที่เกี่ยวข้อง ส่วนที่ 3 การจัดแสดง ICA การกระทำของมนุษย์ มาตรา4 อธิบายผลการทดลองของเรา หมวดที่ 5 สรุปข้อสรุปของเรา

ผลลัพธ์ (ไทย) 3:

การรับรู้ของมนุษย์ การกระทำจากภาพวิดีโอเป็น
ที่สำคัญในรูปแบบต่างๆ เช่น การเฝ้าระวัง
ดึงวิดีโอและปฏิสัมพันธ์ระหว่างมนุษย์และคอมพิวเตอร์ .
วิธีทั่วไปสำหรับการรับรู้การกระทำของมนุษย์คือการดึงข้อมูลการเคลื่อนไหวของมนุษย์โดยตรงจากวิดีโอ
ลำดับและเปรียบเทียบกับฐานข้อมูล การกระทำของมนุษย์ปัญหาที่สำคัญสำหรับการรับรู้การกระทำของมนุษย์ คือ วิธีการเรียนรู้และแยกแยะการกระทำของมนุษย์ได้อย่างมีประสิทธิภาพ แนวทางการยอมรับการกระทำของมนุษย์
จากรูปสามารถแบ่งได้เป็น 2 ประเภท ครั้งแรก
ประเภท [ 1 , 8 , 9 ] คือการใช้ข้อมูลภาพเคลื่อนไหว 2D จาก
การลบพื้นหลังกรอบข้อมูลการไหล , แสง
, และวิธีการเหล่านี้ง่ายที่จะคำนวณ อย่างไรก็ตามข้อมูลภาพ 2 มิติการเปลี่ยนแปลงเนื่องจาก
สภาพแสงและจุดมุมมองของกล้อง ชนิดที่สอง [ 2 , 10 ] คือการใช้ข้อมูลเคลื่อนไหว 3 มิติจาก
เครื่องหมายและเครื่องหมายน้อยกว่าการจับการเคลื่อนไหวของระบบ มันเป็นเรื่องยากที่จะได้รับการเคลื่อนไหวของมนุษย์ 3D

เพราะมันต้องการอุปกรณ์เฉพาะหรือขั้นตอนวิธีการที่ซับซ้อน .
2 วิธีวิธีที่นิยมสำหรับการรับรู้จากการกระทำของมนุษย์

มีวิธีการที่ใช้
ที่มีชื่อเสียงการ eigenspace วิธีเพื่อการเรียนรู้ [ 3 ] การ eigenspace
วิธีนับถือรูปหนึ่งเป็นจุดหนึ่งใน eigenspace
ดังนั้นลำดับภาพ , จุดที่ลำดับของชุดข้อมูล
ครั้ง มันเป็นไปได้ที่จะรับรู้การกระทำของมนุษย์ โดยการตรวจสอบรูปร่างของตนขึ้นจากจุด
ลำดับใน eigenspace . วิธีการที่ใช้วิธีการ eigenspace ต่อเนื่อง

จำของมนุษย์การเคลื่อนไหวมีการเสนอ [ 4 , 5 , 15 , 16 , 17 , 18 )
eigenspace การเปลี่ยนแปลงบนพื้นฐานของการวิเคราะห์องค์ประกอบหลัก ( PCA ) ใช้กับภาพวิดีโอสำหรับ
ลด dimensionality พื้นที่คุณลักษณะอินพุต .
เทคนิคการจำแนกรูปแบบหลาย ในที่สุด
ดำเนินการในมิติต่ eigenspace สำหรับ
รับรู้ อย่างไรก็ตาม eigenspace บนพื้นฐาน PCA เป็น
ไม่เสมอที่ดีที่สุดคุณลักษณะพื้นที่สำหรับการจดจำรูปแบบ เพราะระบบสามารถลด dimensionality
ของข้อมูลเข้า เมื่อเร็วๆ นี้ บางโปรแกรมการวิเคราะห์องค์ประกอบอิสระ ( ICA ) [ 14 ] ว่าเป็นวิธีการวิเคราะห์ข้อมูลทางสถิติได้ใช้ประโยชน์ในด้านการประมวลผลภาพ
และวิสัยทัศน์คอมพิวเตอร์ สำหรับ
เช่น ใบหน้า , ตาบอดของ
ธีค โวลูชั่นเบลอภาพจากการสะท้อน ICA เช่นนี้ได้ขยายเทคนิค PCA และได้พิสูจน์ให้เป็น
ดีกว่า PCA สำหรับใบหน้า [ 6 , 7 ] .
ในกระดาษนี้เราใช้คุณลักษณะพื้นที่จาก ICA
และแสดงให้เห็นว่า ICA ตัวแทนมีประสิทธิภาพมากขึ้น
กว่าแทน PCA ตระหนักถึงการกระทำของมนุษย์

เราให้เปรียบเทียบผลระหว่าง ICA และ

PCA .