论文部分内容阅读
机器学习在现实生活中的应用变得越来越热,而基于大数据的机器学习则愈加流行。而在机器学习的理论学习中,分类器的研究占据着不可比拟的地位,绝大部分的研究问题都可以转化为分类问题,分类器性能好坏往往是研究结果成功与否的关键因素。现今的人体行为识别主要通过视频监控并且场景不复杂的情况下对运动目标检测并识别,如何让计算机能够实现对人的行为进行学习并识别,采用何种特征来表述人的各种行为依旧是研究热点。本文主要针对传统极限学习机(ELM)自身的不足和怎样高效提取特征的问题,采用了几个较优的改进算法,极大地改善了特征提取和分类的性能。其中论文的主要工作内容如下:(1)基于小波多层次LBP算法的行为识别上,有关行为图像提取的特征较为显著。本文针对行为图像中能否高效提取行为特征及能否有效分类出不同人体行为的情况,提出了一种基于Gabor小波LBP算法的提取特征的方法。由于Gabor特征对行为动作、环境条件等变化具有较强的鲁棒性,首先利用获取样本多尺度的局部特征,在进行小波多级分解和滤波分析。然后定义多个尺寸大小不一的滤波器,并分别进行滤波和梯度矢量的计算。最后利用均匀模式LBP算法得到不同子模块的矢量图谱,再将其特征向量进行级联,获得行为图像的特征向量。(2)基于Cholesky分解的极限学习机算法上,对准确分类行为图像有较理想的实验效果。传统神经网络BP梯度算法需人为设置大量训练参数,并且容易陷入到局部最优、训练时间过长、过度拟合等问题。ELM只需配置中间层节点的数目,不需人为配置大量训练参数,就可以产生最优解的唯一值,并且该算法易实现、耗时少且泛化性能好的特征,因此提出了一种新的行为识别学习算法(ELM-Cholesky)。此算法首先引入基于Cholesky分解求ELM输出值的方法,然后依据在线学习期间核函数的更新特点,将分块矩阵Cholesky分解用于ELM的在线求解,使三角因子矩阵完成在线更新,从而得出一种新的ELM-Cholesky在线学习算法,使得识别效率有了一定提高。