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. Thegeneral method for human action recognition is to extract human motion information directly from videosequences 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) 1:

การรับรู้การกระทำมนุษย์จากภาพวิดีโอมีความสำคัญมากในรูปแบบต่าง ๆ เฝ้าระวัง เรียกวิดีโอ และคอมพิวเตอร์มนุษย์โต้ตอบ Thegeneral วิธีสำหรับการรับรู้ของมนุษย์คือ การดึงข้อมูลการเคลื่อนไหวของมนุษย์โดยตรงจาก videosequences และเปรียบเทียบกับฐานข้อมูลที่มนุษย์ ปัญหาสำคัญสำหรับการรับรู้ของมนุษย์เป็นวิธีการเรียนรู้ และจัดประเภทการดำเนินการที่มนุษย์ได้อย่างมีประสิทธิภาพ แนวทางสำหรับการรับรู้ของมนุษย์จากรูปสามารถแบ่งได้สองชนิด ชนิดแรก [1, 8, 9] จะใช้ข้อมูลการเคลื่อนไหว 2D จากลบพื้นหลัง เฟรม differencing แบ่งกระแสแสง และวิธีง่ายต่อการคำนวณ อย่างไรก็ตาม ข้อมูลรูป 2D เปลี่ยนสภาพแสงและกล้องดี ชนิดที่สอง [2, 10] เป็นการ ใช้ข้อมูลการเคลื่อนไหว 3 มิติจากเครื่องหมายและระบบจับภาพเคลื่อนไหวน้อยกว่าเครื่องหมาย มันเป็นเรื่องยากรับ 3D เคลื่อนไหวมนุษย์ เพราะก็เฉพาะกระทู้อุปกรณ์หรืออัลกอริทึมที่ซับซ้อน วิธีใช้ 2D เป็นวิธียอดนิยมสำหรับการรับรู้ของมนุษย์ มีวิธีการมีชื่อเสียงที่ใช้วิธีการ eigenspace ในการเรียนรู้ [3] วิธี eigenspace พิจารณารูปหนึ่งเป็นจุดหนึ่งใน eigenspace เพื่อรูปลำดับ ลำดับจุดของชุดข้อมูลเวลาข้อมูล เป็นการรับรู้การกระทำของมนุษย์ โดยการตรวจสอบรูปร่างของโลกัสโพลที่สร้างจากลำดับจุดใน eigenspace วิธีต่อเนื่องหลายโดยใช้การ eigenspace วิธีการจดจำบุคคลดังได้นำเสนอ [4, 5, 15, 16, 17, 18] ที่ภาพวิดีโอสำหรับใช้การแปลง eigenspace ที่อยู่ในหลักส่วนประกอบวิเคราะห์ (PCA)ลด dimensionality พื้นที่คุณลักษณะอินพุตมีหลายรูปแบบจัดประเภทเทคนิคสุดท้ายดำเนินการใน eigenspace ต่ำกว่ามิติสำหรับการรับรู้ อย่างไรก็ตาม เป็น eigenspace ตามที่สมาคมไม่เสมอสุดคุณลักษณะพื้นที่สำหรับการรู้จำรูปแบบ เนื่องจาก PCA สามารถลดเท่าที่ dimensionalityข้อมูลป้อนเข้า ล่าสุด โปรแกรมประยุกต์บางโปรแกรมของอิสระส่วนประกอบวิเคราะห์ (ปัจจุบันประกอบ) [14] ซึ่งเป็นวิธีการวิเคราะห์ข้อมูลทางสถิติจะถูกใช้ประโยชน์ในการฟิลด์ของวิสัยทัศน์คอมพิวเตอร์และการประมวลผลภาพ สำหรับตัวอย่าง จดจำใบหน้า deconvolution ตาบอดของการภาพไม่คมชัดและแยกสะท้อน ปัจจุบันการประกอบ generalizes เทคนิคของสมาคม และได้พิสูจน์ให้ห้องกับ PCA สำหรับการรู้จำใบหน้า [6, 7]ในเอกสารนี้ เราใช้พื้นที่คุณลักษณะตามปัจจุบันประกอบและแสดงว่า แสดงปัจจุบันประกอบมีประสิทธิภาพมากขึ้นกว่าสมาคมการแสดงสำหรับการจดจำบุคคลการดำเนินการ เราให้ผลเปรียบเทียบระหว่างปัจจุบันประกอบ และสมาคมส่วนที่ 2 อธิบายการทำงานที่เกี่ยวข้อง หมวดที่ 3 นำเสนอปัจจุบันประกอบการแสดงการกระทำของมนุษย์ ส่วน4 อธิบายผลการทดลองของเรา ส่วนสรุป 5 บทสรุปของเรา

ผลลัพธ์ (ไทย) 2:

การรับรู้การกระทำของมนุษย์จากภาพวิดีโอที่มีความสำคัญมากในรูปแบบต่างๆเช่นการเฝ้าระวังการดึงวิดีโอและการมีปฏิสัมพันธ์คอมพิวเตอร์ของมนุษย์ วิธีการสำหรับการรับรู้การกระทำของมนุษย์ thegeneral คือการดึงข้อมูลการเคลื่อนไหวของมนุษย์โดยตรงจาก videosequences และเปรียบเทียบกับฐานข้อมูลการกระทำของมนุษย์ ปัญหาที่สำคัญสำหรับการรับรู้การกระทำของมนุษย์เป็นวิธีการที่จะเรียนรู้และแยกประเภทการกระทำของมนุษย์ได้อย่างมีประสิทธิภาพ แนวทางสำหรับการรับรู้การกระทำของมนุษย์จากภาพสามารถแบ่งได้เป็นสองประเภท ประเภทแรก [1, 8, 9] คือการใช้ข้อมูลจากการเคลื่อนไหว 2D ลบพื้นหลังกรอบความแตกต่างของการแบ่งส่วนการไหลของแสงและวิธีการเหล่านี้เป็นเรื่องง่ายในการคำนวณ อย่างไรก็ตามข้อมูลภาพ 2D เปลี่ยนแปลงเนื่องจากสภาพแสงและจุดมุมมองกล้อง ประเภทที่สอง [2, 10] คือการใช้ข้อมูลการเคลื่อนไหว 3 มิติจากเครื่องหมายและการเคลื่อนไหวเครื่องหมายน้อยกว่าระบบการจับภาพ มันเป็นเรื่องยากที่จะได้รับการเคลื่อนไหวของมนุษย์ 3 มิติเพราะความต้องการอุปกรณ์พิเศษหรือกลไกที่ซับซ้อน วิธีการแบบ 2 มิติที่ใช้วิธีการที่เป็นที่นิยมสำหรับการรับรู้การกระทำของมนุษย์ มีวิธีการที่มีชื่อเสียงที่ใช้วิธีการ eigenspace สำหรับการเรียนรู้คือ [3] วิธี eigenspace นับถือหนึ่งภาพเป็นจุดหนึ่งใน eigenspace
ดังนั้นลำดับภาพลำดับจุดอนุกรมเวลาข้อมูล มันเป็นไปได้ที่จะรับรู้การกระทำของมนุษย์โดยการตรวจสอบรูปแบบของสถานที่ที่สร้างจากลำดับจุดใน 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 การกระทำจากภาพวิดีโอเป็นสิ่งสำคัญมากในรูปแบบต่างๆ เช่น การเฝ้าระวัง การดึงวิดีโอและคอมพิวเตอร์ปฏิสัมพันธ์ของมนุษย์ วิธีการทั่วไปสำหรับการรับรู้การกระทำของมนุษย์คือการดึงข้อมูลการเคลื่อนไหวของมนุษย์โดยตรงจาก videosequences และเปรียบเทียบกับฐานข้อมูล การกระทำของมนุษย์ปัญหาที่สำคัญสำหรับการรับรู้การกระทำของมนุษย์ คือ วิธีการเรียนรู้และแยกแยะการกระทำของมนุษย์ได้อย่างมีประสิทธิภาพ แนวทางการยอมรับการกระทำของมนุษย์ จากรูปสามารถแบ่งได้เป็น 2 ประเภท ชนิดแรก [ 1 , 8 , 9 ] คือการใช้ข้อมูลภาพเคลื่อนไหว 2D จากการลบฉากหลัง กรอบข้อมูลการไหล , แสง , และวิธีการเหล่านี้จะง่ายที่จะคำนวณ อย่างไรก็ตามข้อมูลภาพ 2 มิติ เปลี่ยนเนื่องจากเงื่อนไขและจุดมุมมองกล้องแสง ชนิดที่สอง [ 2 , 10 ] คือการใช้ข้อมูลเคลื่อนไหว 3 มิติจากเครื่องหมายและเครื่องหมายน้อยกว่าการจับการเคลื่อนไหวของระบบ มันเป็นเรื่องยากที่จะได้รับการเคลื่อนไหวของมนุษย์ 3D เพราะต้องการอุปกรณ์เฉพาะหรือขั้นตอนวิธีที่ซับซ้อน 2 วิธีวิธีที่นิยมสำหรับการรับรู้จากการกระทำของมนุษย์มีวิธีการที่มีชื่อเสียงที่ใช้ eigenspace วิธีเพื่อการเรียนรู้ [ 3 ] วิธีที่ eigenspace นับถือรูปหนึ่งเป็นจุดหนึ่งใน eigenspace ดังนั้นลำดับภาพที่มีจุดลำดับของชุดข้อมูล
ครั้ง มันเป็นไปได้ที่จะรับรู้การกระทำของมนุษย์ โดยการตรวจสอบรูปร่างของตนขึ้นจากจุดลำดับใน eigenspace . หลายวิธี
ต่อเนื่องใช้วิธี eigenspace ตระหนักถึงมนุษย์
การเคลื่อนไหวได้รับการเสนอ [ 4 , 5 , 15 , 16 , 17 , 18 )
eigenspace การเปลี่ยนแปลงบนพื้นฐานของการวิเคราะห์องค์ประกอบหลัก ( PCA ) ใช้กับภาพวิดีโอสำหรับ
ลด dimensionality พื้นที่คุณลักษณะอินพุต .
เทคนิคการจำแนกรูปแบบหลาย ในที่สุด
ดำเนินการในมิติต่ eigenspace สำหรับ
รับรู้ อย่างไรก็ตามการ eigenspace บนพื้นฐาน PCA เป็น
ไม่เสมอที่ดีที่สุดคุณลักษณะพื้นที่สำหรับการจดจำรูปแบบ เพราะระบบสามารถลด dimensionality
ของข้อมูลเข้า เมื่อเร็วๆ นี้ บางโปรแกรมการวิเคราะห์องค์ประกอบอิสระ ( ICA ) [ 14 ] ว่าเป็นวิธีการวิเคราะห์ข้อมูลทางสถิติได้ใช้ประโยชน์ในด้านการประมวลผลภาพ
และวิสัยทัศน์คอมพิวเตอร์ สำหรับ
ตัวอย่างหน้าโปรแกรมธีค โวลูชั่นที่ตาบอดของ
เบลอภาพจากการสะท้อน ICA เช่นนี้ได้ขยายเทคนิค PCA และได้พิสูจน์ให้เป็น
ดีกว่า PCA สำหรับใบหน้า [ 6 , 7 ] .
ในกระดาษนี้เราใช้คุณลักษณะพื้นที่จาก ICA
และแสดงให้เห็นว่า ICA ตัวแทนมีประสิทธิภาพมากขึ้น
กว่าแทน PCA ตระหนักถึงการกระทำของมนุษย์

เราให้เปรียบเทียบผลระหว่าง ICA และ

PCA .ส่วนที่ 2 อธิบายงานที่เกี่ยวข้อง ส่วนที่ 3 นำเสนอเข้าสู่การเป็นตัวแทนของการกระทำของมนุษย์ ส่วน
4 อธิบายผลการทดลองของเรา ส่วนที่ 5 สรุปข้อสรุปของเรา