收藏本站
《光学精密工程》 2017年06期
收藏 | 投稿 | 手机打开
二维码
手机客户端打开本文

采用自适应变异粒子群优化SVM的行为识别

张国梁  贾松敏  张祥银  徐涛  
【摘要】:为了提高对视频序列中人体行为的识别能力,建立了基于局部特征的动作识别框架。通过时空特征提取及编码和SVM分类器参数优化两部分对该框架所涉及算法进行了研究。首先,采用Harris3D检测器获取时空兴趣点(STIP),以方向梯度直方图(HOG)和光流方向直方图(HOF)对STIP进行描述,并引入Fisher向量实现对特征描述子的编码;由于固定参数下SVM动作分类模型存在泛化能力不足的问题,将粒子群算法应用于各动作分类器参数寻优过程中,针对种群多样性逐代变化的特点,构建粒子聚集度模型,并利用其动态调节各代粒子的变异概率;最后,利用KTH和HMDB51数据集对所提方法进行验证。结果表明,所提自适应变异粒子群算法(AMPSO)能够有效避免种群陷入局部最优,具备较强的全局寻优能力;在KTH和HMDB51数据集上的识别准确率分别为87.50%和26.41%,优于其余2种识别方法。实验证明,AMPSO算法收敛性能良好且整体识别框架具有较高的实用性和准确性。

手机知网App
【相似文献】
中国期刊全文数据库 前10条
1 张兴华;潘宏侠;;一种带有自适应变异的双种群优化算法[J];机械管理开发;2012年03期
2 易燕;沈云;王开云;;在内部演化硬件中实现自适应变异参数控制[J];云南大学学报(自然科学版);2007年S1期
3 高海昌;冯博琴;侯芸;朱利;;自适应变异的混合粒子群优化策略及其应用[J];西安交通大学学报;2006年06期
4 韩俊英;刘成忠;;自适应变异的果蝇优化算法[J];计算机应用研究;2013年09期
5 刘悦婷;;带有选择和自适应变异机制的混合蛙跳算法[J];计算机工程;2012年23期
6 陈世明;江冀海;郑丽楠;聂森;;基于自适应变异粒子群优化算法的移动机器人路径规划[J];机床与液压;2010年23期
7 朱永利;陈英伟;韩凯;王磊;;基于熵的自适应变异的粒子群优化算法[J];信息化纵横;2009年10期
8 朴昌浩;王进;孙志华;汤彬彬;;自适应变异比率控制在虚拟可重构结构中的应用[J];高技术通讯;2010年04期
9 张陆游;张永顺;杨云;;基于混沌自适应变异粒子群优化的解相干算法[J];电子与信息学报;2009年08期
10 阳春华;谷丽姗;桂卫华;;自适应变异的粒子群优化算法[J];计算机工程;2008年16期
中国重要会议论文全文数据库 前2条
1 易燕;周晖;肖琦;;自适应变异参数控制硬件进化[A];第六届全国信息获取与处理学术会议论文集(3)[C];2008年
2 高宪文;张大勇;;熵极大自适应变异粒子群优化算法及其应用[A];2007中国控制与决策学术年会论文集[C];2007年
中国硕士学位论文全文数据库 前1条
1 靳文辉;自适应变异量子粒子群优化算法及其应用研究[D];江南大学;2008年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026