Bewegungsvideoerkennung in der Verfolgung von beschleunigten robusten Merkmalen

Die Bewegungsvideoerkennung wurde in Anwendungen der Computer Vision umfassend untersucht. In diesem Papier schlagen wir eine neuartige Videorepräsentation vor, die die Bewegungserkennung in Videos auf Basis von SURF (Speeded-Up Robust Features) und zwei Filtern verbessert. Zunächst wird das Detektorschema von SURF verwendet, um die Kandidatenpunkte des Videos zu detektieren, da es sich um einen effizienten und schnelleren lokalen Merkmalsdetektor handelt. Zweitens können die Merkmalsunkte aus den Kandidatenpunkten gefiltert werden, indem das optische Flussfeld und die Trajektorie verwendet werden, was eine robuste und effiziente Extraktion von Bewegungsmerkmalpunkten ermöglicht. Darüber hinaus führen wir einen Deskriptor ein, der MoSURF (Motion Speeded-Up Robust Features) genannt wird und auf SURF (Speeded-Up Robust Features), HOG (Histogramm der orientierten Gradienten), HOF (Histogramme des optischen Flusses), MBH (Bewegungsgrenzhistogramme) und Trajektorieninformationen basiert, die Bewegungsinformationen effektiv beschreiben können und komplementär zueinander sind. Wir bewerten unsere Videorepräsentation bei der Aktionsklassifizierung anhand dreier Bewegungsvideodatensätze, nämlich KTH, YouTube und UCF50. Im Vergleich zu modernsten Methoden zeigt die vorgeschlagene Methode in allen Datensätzen überlegene Ergebnisse.