论文部分内容阅读
非负矩阵分解是一种理想的数据降维方法,它要求因子矩阵的元素必须是非负的,即所有元素必须等于或大于零。这种非负约束导致NMF是一个基于部分的表示,符合人脑局部构成整体的认知过程。因而,对图像处理,分类和聚类来讲是一种有用的学习技术。本文经过对已有NMF方法的深入研究,提出了两种新特性的NMF方法,并应用于视频人体行为识别的研究中。(1)提出了一种秩正则化和局部加权约束的非负矩阵分解NMF_RRLWC方法。该方法构造了局部加权约束项和秩正则化项两个约束项,并将其应用于运动轨迹聚类中。局部加权约束项依据原始数据样本与聚类中心间的距离相似性构造了一个加权算子。秩正则化约束保证了分解结果具有一定的稀疏性,同时又不因过于严格的稀疏而影响数据的流形结构。实验结果表明这两个约束项的添加可以得到较好的聚类效果。文中给出了该方法的更新规则和收敛性证明。在聚类实验中,NMF_RRLWC能很好地拟合出运动主体所在的区域,从而保证可将位于背景中的轨迹剔除。(2)提出了一种时间平滑和秩正则化约束的非负矩阵分解TSRRC_NMF方法用于时间子空间聚类,即视频行为分割。由于视频数据中相邻帧之间存在时间上的近邻关系,该方法构造了一个时间平滑约束项,它考虑了时间序列数据中的样本点之间的时间近邻信息。此外,由于稀疏约束可以提高学习效率,并在新的表示中获得更强的判别力,那么为了使本文方法的分解结果保持一定的稀疏性以提取具有鉴别性的特征,在目标函数中引入了秩正则化稀疏约束项。文中给出了该方法的更新规则和收敛性证明。在视频行为分割实验中,该方法可以获得较好的视频行为分割效果,它能够正确地恢复视频数据的时间子空间结构,从而获得较为清晰的简单原子行为。在此基础上,本文提出了一种新的复杂行为视频的特征提取方法,即利用简单原子行为迁移学习得到复杂行为的一种新的特征表示用于复杂行为识别。复杂行为通常是由一系列简单原子行为组成。因此,本文提出的新方法将从丰富的带标签的简单行为中学到的知识应用到复杂行为的识别中,从而改善了复杂人体行为识别的性能。实验结果证明了提出的新方法对于复杂行为识别的有效性。