[行为识别]传统特征

参考博客

全局特征

　　全局特征是把一对象当做成一个整体，这是一种从上到下的研究思维
　　这种情况下，视频中的人必须先被定位出来，这个可以采用背景减图或者目标跟踪算法。然后对定位出来的目标进行某种编码，这样就形成了其全局特征。
　　这种全局特征是有效的，因为它包含了人体非常多的信息。然而它又太依赖而底层视觉的处理，比如说精确的背景减图，人体定位和跟踪。而这些处理过程本身也是计算机视觉中的难点之处。另外这些全局特征对噪声，视角变化，遮挡等非常敏感。
　　全局特征提取:背景减图,跟踪.
　　1、二维全局特征
　　 MEI为运动能量图，用来指示运动在哪些部位发生过，MHI为运动历史图，除了体现运动发生的空间位置外还体现了运动的时间先后顺序。这2种特征都是从背景减图中获取的。图2是坐下，挥手，蹲伏这3个动作的运动历史图MHI。

　　2、三维全局特征提取
　　　在三维空间中，通过给定视频中的数据可以得到3D时空体(STV)，STV的计算需要精确的定位，目标对齐，有时还需背景减图

局部特征

　　局部特征提取是收集人体的相对独立的图像块，是一种从下到上的研究思维。一般的做法是先提取视频中的一些时空兴趣点，然后在这些点的周围提取相应的图像块，最后将这些图像块组合成一起来描述一个特定的动作。
　　局部特征的优点是其不依赖而底层的人体分割定位和跟踪，且对噪声和遮挡问题不是很敏感。但是它需要提取足够数量的稳定的且与动作类别相关的兴趣点，因此需要不少预处理过程。
　　行为识别中的局部特征点是视频中时间和空间中的点，这些点的检测发生在视频运动的突变中。因为在运动突变时产生的点包含了对人体行为分析的大部分信息。因此当人体进行平移直线运动或者匀速运动时，这些特征点就很难被检测出来。
　　局部特征点的检测
　　Laptev[33]将Harris角点扩展到3DHarris，这是时空兴趣点(STIP)族中的一个。
　　局部特征点的描述
　　二维的SURF特征[39]被Willems[40]扩展到了3维
　　Klaser[41]将HOG特征扩展到3维，即形成了3D-HOG。

数据集

一些比较小的数据集
行为识别数据集汇总
人体行为识别数据集

• Hollywood 人体行为库
  该数据库包括8类行为。这些都是电影中的片段。
• FLIC
  半身 影视

• MPII 全身 日常

• LSP 全身 体育

中型数据集

• UCF 101
  全身，半身，体育，日常，乐器
• HMDB

大型数据集

• kinetics