视频分析-动作识别前沿综述【上】

一、视频分析简介

视频分析技术即借助前沿算法，将视频中的非结构化数据转换为结构化信息，实现分析、处理的过程。

按照其内容的区分，视频的分析主要包含以下几类：

二、行为识别简介

行为识别作为视频分析中的基本问题，在实际问题中有很多应用，如监控视频、互联网的视频检索处理、人机交互等。行为识别的数据一般为分割后的短视频片段，每个片段包含一段明确的动作，且对应唯一的标签。可以把它看作是图像分析中的Image 任务。

行为识别的难点：

行为识别算法技术需求：

三、行为识别发展史

行为识别的发展史和图像分类等任务如出一辙：传统图像处理方法达到了性能瓶颈，深度学习的出现突破瓶颈，带来性能飞跃。事实上，在视频分析领域，深度学习的发展较为坎坷，曾在一段时间内性能屈居传统方法之下。与图片分析不同，视频包含了大量的时序信息，计算量复杂，直接采用卷积神经网络效果往往并不好。

下图为在行为识别数据集，自2013年到2016年的性能对比。也可以看作是视频分析届的MNIST。可以看出，直到2015年深度学习方法才开始取得了一些进展，到2016年、2017年，深度学习方法已经逐渐成为视频分析的主流算法。

四、传统行为识别算法

iDT全称为改进的密集轨迹法（ dense ），是行为识别领域的最经典算法之一，出现于。尽管传统算法已逐渐被深度学习替代，目前仍有很多论文将iDT与深度学习相结合，获得性能提升，iDT的地位可见一斑。

密集轨迹算法步骤包含：

密集采样

特征点融合

特征点运动轨迹

运动特征描述

改进密集轨迹算法：

在原算法的基础上，iDT引入了相机运动估计，消除背景光流，并采用 进行编码，获得性能提升。

参考论文：

Dense and for

with

参考链接：

投稿渠道：

加入习悦：

商务合作：