【摘要】：测试结果说明大多数测试行为的识别率都相当好。表5.1本节算法在测试集上的混淆矩阵本节算法还与李建福［37］研究中的3种方法进行了对比，采用的评价指标为交叉验证精度，所得测试结果列于表5.2。表5.2本节算法与对比方法在测试数据上的CVA对比本节算法有效结合了DMHI和相位一致性度量的优点。两种结合获得的DMHI-PC特征与具有良好泛化性能的SVM分类器组合，最终获得了良好的行为识别精度。
本节算法在IADB红外人体行为数据集上进行测试。测试选取了数据集中的120个行为样本（由10人分别执行12种不同行为构成），行为类型包括弯腰、单脚踢、挥拳猛击、开合跳、双脚向前跳、原地向上跳、跑、侧边走、单脚跳、行走、单手挥及双手挥。经过运动周期检测，t为15帧。DMHI-PC特征生成参数设置为p=4，q=6，M=N=6，PCA降维后保持99%的特征值的累计贡献率。多类SVM由12个SVM基分类器构成，所有基分类器的正则化参数C=1且均采用线性多项式核函数。
连续运行10次3折交叉验证测试，得到如表5.1所示的混淆矩阵。该矩阵对角线上的数值反映了各类行为的正确识别率，非对角线上的数值则反映了任意两类行为间的误识率。测试结果说明大多数测试行为的识别率都相当好。
表5.1 本节算法在测试集上的混淆矩阵
本节算法还与李建福［37］研究中的3种方法进行了对比，采用的评价指标为交叉验证精度（CVA），所得测试结果列于表5.2。测试结果反映出本节算法在识别精度上具有显著优势。(www.xing528.com)
表5.2 本节算法与对比方法在测试数据上的CVA对比
本节算法有效结合了DMHI和相位一致性度量的优点。DMHI的计算不依赖二值化的图像分割结果，避免了分割质量不佳带来的计算误差问题，另外其计算方法也较为简便。相位一致性度量实现了DMHI特征的良好表达。两种结合获得的DMHI-PC特征与具有良好泛化性能的SVM分类器组合，最终获得了良好的行为识别精度。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
