【摘要】：基于所得MDI，采用类似上节DMHI-PC特征提取方法，可得中间向量图5.9展示了HL的提取过程。值得注意的是，HL向量维数可能很高，而且还可能受热红外成像噪声、MDI生成噪声的污染，由此不可避免地会影响分类性能。为此，继续对HL进行降维处理。最后，使用MDI-PC特征向量进行行为分类识别。图5.9HL向量提取示意图图5.10给出了基于MDI-PC特征的行为识别算法的完整工作流程。首先在检测序列图像中行为周期的基础上，生成DMHI并基于DMHI构建MDI模板图。
基于所得MDI，采用类似上节DMHI-PC特征提取方法，可得中间向量
图5.9展示了HL的提取过程。值得注意的是，HL向量维数可能很高，而且还可能受热红外成像噪声、MDI生成噪声的污染，由此不可避免地会影响分类性能。为此，继续对HL进行降维处理。为在尽量保持数据本质特征规律的前提下找到可能的最低维数，选用最大似然估计（MLE）对HL进行本征维数估计，之后，再应用线性判别分析（linear discriminant analysis，LDA）将HL变换到具有MLE所估计维数的新向量H，本节称其为MDI-PC特征向量。最后，使用MDI-PC特征向量进行行为分类识别。由于避免了过拟合，可在获得更好可分性的同时改善计算效率。
图5.9 HL向量提取示意图(www.xing528.com)
图5.10给出了基于MDI-PC特征的行为识别算法的完整工作流程。首先在检测序列图像中行为周期的基础上，生成DMHI并基于DMHI构建MDI模板图。其次，基于MDI图构建MDI-PC特征。最终，使用最近邻（nearest neighbor，NN）分类器实现对输入样本特征进行多类行为分类识别。
图5.10 基于MDI时空模板的红外人体行为识别算法的完整工作流程
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。
