视频人员行为识别(Action Recognition)
一. 提出背景
目标:给定一段视频,通过分析,得到里面人员的动作行为。
问题:可以定义为一个分类问题,通过对预定的样本进行分类训练,解决一个输入视频的多分类问题。
这里提出的问题是简单的图片(视频)分类问题,该问题的前提条件是:场景目标为单人,并且占据图片比较大的比例,如下图所示:
还有一类问题是基于行人检测,去估计行人的姿态和动作,暂时不在本篇讨论范围内。
二. 行为识别的发展
和其他领域一样,我们还是先从未被深度学习攻占的传统方法讲起,我们标记的里程碑算法是 iDT。
论文:Action Recognition with Improved Trajectories
iDT 方法是基于 DT(Dense Trajectories)方法,第一印象可以理解为 稠密光流 的轨迹。
如图所示,我们将算法描述为以下步骤:
1)在原始图像多尺度上进行密集特征点采样,采样间隔为W(上图左);
2)进行有效的特征点筛选(只保留有用的),这里选用的方式是基于自相关矩阵的特征值;
和直接通过surf去选择特征点的思路基本上一样。
该 Step 形成空域信息。
3)跟踪特征点,在时间轴形成特征点的轨迹序列(上图中);
该 Step 形成时域信息。
4)对应每个时间片上的每个特征点,在该点影响范围内 分别进行特征采样(HOG、HOF、MBH)(上图右),
对序列进行编码(Fisher Vector),得到 Total 特征;
5)采用分类器(SVM)进行分类;
具体方法不再展开,这里可能存在的问题是: 运动的背景可能会对光流有很大的影响。
基于这个假设,iDT 的改进方法通过估计相机的运动模型来消除背景影响,即通过 SurF 特征匹配来估算相邻帧的投影变换矩阵。另外,论文设置了一个 Human Detector 来消除 人员变换 对运动模型估算的影响(框内不参与估算)。
三. 深度学习方法
深度学习方法攻占该领域的时间是2014年,开山之作也是具有代表性的 Two Stream 方法。
论文下载:Two-Stream Convolutional Networks for Action Recognition in Videos
来看其框架图:
描述非常清晰,通过CNN网络对 single frame 提取图像的特征信息,下面通过多帧间的密集光流(与iDT类似)提出时域信息,后面通过 fusion+分类来输出结果。
针对 Two Stream 的改进比较多,主要思路包括 网络的改进、Fusion 方法、结合RNN(LSTM)、选择Key Frame等, 这里没有太多创新的东西,可以自己refer一下。
这里重点提一下 C3D Network,也就是3D卷积。
论文下载:Learning Spatiotemporal Features with 3D Convolutional Networks
来看示意图:
与传统卷积的区别就在于将平面特征的提取扩展到3维,将空域特征和时域特征同时提取,该方法相比传统的2D方法,效率有明显的提高,基于VGG-like网络帧率达到了300FPS+。
虽然精度并不高,但是C3D是该方向上的一个创新,同样的基于视频的Task也将C3D看作是一个比较好的方法:
Code:http://vlg.cs.dartmouth.edu/c3d/
四. 参考数据集
Action Recognition 相关数据库比较多,这里仅列出几个常用的供参考:
UCF101: http://crcv.ucf.edu/data/UCF101.php
HMDB51: http://serre-lab.clps.brown.edu/resource/hmdb-a-large-human-motion-database
Sports-1M: http://cs.stanford.edu/people/karpathy/deepvideo
YouTube-8M: https://research.google.com/youtube8m/download.html
ActivityNet: http://activity-net.org/download.html
视频人员行为识别(Action Recognition)相关推荐
- python视频识别_视频人员行为识别(Action Recognition)
一. 提出背景 目标:给定一段视频,通过分析,得到里面人员的动作行为. 问题:可以定义为一个分类问题,通过对预定的样本进行分类训练,解决一个输入视频的多分类问题. 这里提出的问题是简单的图片(视频)分 ...
- 行为识别(Action Recognition)初探
任务说明(截取视频行为分类) 对视频中人的行为动作进行识别,即读懂视频. Hand gesture:集中于处理视频片段中单人的手势 Action:短时间的行为动作,场景往往是短视频片段的单人行为 Ac ...
- cvpr 注意力机制_视频人员重识别:关系引导空间注意力 + 时间特征提取模型
作者 | Ass 编辑 | CV君 报道 | 我爱计算机视觉(微信id:aicvml) 2020 年顶会论文中,很多都会将关系加入到注意力机制的获取中. 除了该文,还有 2020 年 CVPR 的基于 ...
- 记录 之 最近阅读的动作识别(action recognition)工作
介绍: 其中C3D是3d卷积的比较有意义的开端,I3d在C3D之后做了一系列研究,包括引入双流网络,和LSTM网络,并使用已经训练好的2D图像分类模型的参数维数扩充后用做3D网络的预训练模型.S3D是 ...
- 深度学习-视频行为识别:论文阅读——双流网络(Two-stream convolutional networks for action recognition in videos)
这里写目录标题 视频的行为识别 前言 背景 内容组成 主要贡献 算法介绍 网络结构 双流(two stream)网络结构 空间流卷积网络(Spatial stream ConvNet) 时间流卷积网络 ...
- 【论文模型讲解】Two-Stream Convolutional Networks for Action Recognition in Videos
文章目录 前言 0 摘要 1 Introduction 1.1 相关工作 2 用于视频识别的双流结构 3 光流卷积神经网络(时间流) 3.1 ConvNet 输入配置 4 实现细节 4.1 测试 4. ...
- ECCV 2020 论文大盘点-人员重识别(ReID)篇
本文盘点ECCV 2020 中所有与人员再识别(Person Re-Identification,ReID)相关的论文,总计 24 篇,其中两篇Oral 论文,15篇已经或者将开源代码. 这一领域可称 ...
- CVPR 2021 论文大盘点-人员重识别篇
关注公众号,发现CV技术之美 本篇文章总结人员重识别相关论文,包含无监督人员重识别,基于视频.部分身体的行人重识别,可见光红外人员重识别,域泛化人员重识别,换装人员重识别,行人检索等等.共计 26篇. ...
- 视频动作识别--Temporal Segment Networks: Towards Good Practices for Deep Action Recognition
Temporal Segment Networks: Towards Good Practices for Deep Action Recognition ECCV2016 https://githu ...
最新文章
- webpack - vue Component 从入门到放弃(三)
- 图像傅里叶变换,幅度谱,相位谱
- 华为 connect大会2020_英诺森ProcessGo机器人亮相2019华为CONNECT大会
- Python骚操作:动态定义函数
- ES6新特性之let和const命令
- JAVA的网络编程【转】
- SQL点滴26—常见T-SQL面试解析
- 盘式制动优于鼓式制动吗?
- 51单片机c语言显示hello,51单片机控制动态数码管显示12345和HELLO字样的设
- python零基础能学吗-python零基础能学吗
- ELK 性能(1) — Logstash 性能及其替代方案
- matlab rsi的交易策略源码,超级RSI副图指标公式源码
- Beta冲刺-用户测试报告
- 详解什么是运营商大数据?
- 【转载】Unity 项目管理与优化
- 基于Python实现的基金交易系统
- 一篇学完:王道考研408计算机网络(全)
- [除一波并查集和贪心的草]
- Android项目开发总结
- Rust 调用标准C接口的自定义c/c++库,FFI详解