Kết hợp diện mạo và chuyển động trong nhận diện hành động người dùng bằng CNN

Nhận diện hành động người dùng hiệu quả với mạng nơ-ron tích chập (CNN). Tìm hiểu cách CNN được ứng dụng để phân tích và dự đoán hành vi người dùng chính xác.

Chuyên ngành

Hệ Thống Thông Tin

Người đăng

Ẩn danh

Thể loại

Luận Văn Thạc Sĩ

2018

49
1
0

Phí lưu trữ

30 Point

Mục lục chi tiết

Abstract

Acknowledgments

Contents

1. CHƯƠNG 1: Introduction to Human Action Recognition

1.1. Human Action Recognition problem

1.2. Overview of human action recognition approach

1.2.1. Hand crafted feature based methods

1.2.2. Deep learning based methods

1.3. Purpose of thesis

2. CHƯƠNG 2: State-of-the-art on HAR using CNN

2.1. Introduction to Convolutional Neural Networks

2.2. 2D Convolutional Neural Networks

2.3. 3D Convolutional Neural Networks

2.4. Multistream Convolutional Neural Networks

3. CHƯƠNG 3: Proposed method for HAR using multistream C3D

3.3. Optical Flow Stream

3.4. Fusion of multistream 3D CNN

List of Figures

Acronyms

List of Tables

4. CHƯƠNG 4: List of Figures 1-1 Human Action Recognition Problem

Tóm tắt

I. Tổng Quan Về Nhận Diện Hành Động Người Dùng Hiện Nay

Nhận diện hành động người dùng (Human Action Recognition) là một lĩnh vực quan trọng trong computer vision. Nó có nhiều ứng dụng thực tế như hệ thống giám sát trong bệnh viện, phát hiện các hoạt động bất thường trong các tòa nhà (ngân hàng, sân bay, khách sạn) hoặc trong tương tác giữa người và máy. Có nhiều loại hoạt động của con người. Tùy thuộc vào độ phức tạp của chúng, chúng ta có thể phân loại các hoạt động của con người thành bốn cấp độ khác nhau: cử chỉ, hành động, tương tác và hoạt động nhóm. Cử chỉ là những chuyển động cơ bản của một bộ phận cơ thể người và là những thành phần nguyên tử mô tả chuyển động có ý nghĩa của một người. Ví dụ: "duỗi tay", "nâng chân". Hành động là các hoạt động của một người có thể bao gồm nhiều cử chỉ được sắp xếp theo thời gian, chẳng hạn như: "đi bộ", "vẫy tay" và "đấm". Tương tác là các hoạt động của con người liên quan đến hai hoặc nhiều người và/hoặc đồ vật. Ví dụ, "hai người đánh nhau" là một tương tác giữa hai người, "uống nước" là một tương tác giữa người và vật. Hoạt động nhóm là các hoạt động được thực hiện bởi các nhóm khái niệm bao gồm nhiều người và/hoặc đồ vật. Ví dụ: "Một nhóm người diễu hành". Luận văn này tập trung vào nhận dạng hành động của con người. Bài toán nhận dạng hành động của con người có thể được định nghĩa như sau: Đầu vào: Một video hoặc một chuỗi các khung hình liên tiếp có chứa một hành động của con người. Đầu ra: Nhãn của hành động thuộc một trong các lớp được xác định trước. Nhận dạng hành động của con người là một thách thức đối với các nhà nghiên cứu trong lĩnh vực thị giác máy tính do nền nhiễu, thay đổi điểm nhìn và sự đa dạng trong việc thực hiện hành động của mỗi người. Các thành phần chính của một hệ thống nhận dạng trực quan. Có hai giai đoạn của một hệ thống nhận dạng: Huấn luyện: Học từ tập dữ liệu huấn luyện để thu được các tham số của mô hình nhận dạng. Nhận dạng: Sử dụng mô hình đã học từ giai đoạn huấn luyện để nhận dạng dữ liệu mới. Mỗi giai đoạn trong hệ thống có các thành phần chính như sau: Xử lý dữ liệu trước: Chuyển đổi dữ liệu sang dạng tương thích với mô hình. Trích xuất đặc trưng: Từ dữ liệu đã xử lý trước, trích xuất các đặc trưng phù hợp để biểu diễn hành động của con người. Các đặc trưng có thể thu được bằng các kỹ thuật thủ công hoặc học sâu. Phân loại: Sử dụng các đặc trưng được trích xuất từ bước trước để tạo đầu vào cho quá trình huấn luyện hoặc dự đoán. Nhận dạng: Dữ liệu mới được đưa vào qua các bước xử lý trước, trích xuất đặc trưng, sau đó sử dụng bộ phân loại đã huấn luyện để dự đoán nhãn.

1.1. Giới Thiệu Bài Toán Human Action Recognition HAR

Bài toán Human Action Recognition (HAR) là một lĩnh vực nghiên cứu quan trọng trong computer visionartificial intelligence. Mục tiêu chính của HAR là tự động nhận dạng và phân loại các hành động của con người từ dữ liệu video. Các hành động này có thể đơn giản như đi bộ, chạy, vẫy tay, hoặc phức tạp hơn như chơi thể thao, nấu ăn. Ứng dụng của HAR rất đa dạng, từ hệ thống an ninh giám sát, tương tác người-máy, đến hỗ trợ y tế và giải trí. Việc giải quyết bài toán HAR đòi hỏi khả năng xử lý và phân tích dữ liệu video phức tạp, bao gồm cả feature extractionvideo classification.

1.2. Các Cấp Độ Hoạt Động Của Con Người Trong HAR

Trong human action recognition, các hoạt động của con người thường được phân loại thành các cấp độ khác nhau, tùy thuộc vào độ phức tạp và phạm vi của chúng. Cử chỉ (Gestures) là những chuyển động cơ bản của một bộ phận cơ thể, ví dụ như nhấc tay, gật đầu. Hành động (Actions) là các hoạt động đơn lẻ do một người thực hiện, có thể bao gồm nhiều cử chỉ, ví dụ như đi bộ, ăn uống. Tương tác (Interactions) là các hoạt động liên quan đến hai hoặc nhiều người, hoặc giữa người và vật, ví dụ như nói chuyện, chơi bóng. Hoạt động nhóm (Group activities) là các hoạt động do một nhóm người thực hiện, ví dụ như biểu diễn văn nghệ, diễu hành. Việc phân loại này giúp xác định phạm vi và độ phức tạp của bài toán phân loại hành động.

II. Thách Thức và Hạn Chế Trong Nhận Diện Hành Động Tự Động

Nhận dạng hành động của con người là một thách thức đối với các nhà nghiên cứu trong lĩnh vực computer vision do nền nhiễu, thay đổi điểm nhìn và sự đa dạng trong việc thực hiện hành động của mỗi người. Cụ thể, biến động về góc nhìn, ánh sáng, tốc độ hành động, và sự che khuất đều có thể ảnh hưởng đến độ chính xác của các thuật toán. Hơn nữa, việc thu thập và gán nhãn cho dataset cho nhận diện hành động là một quá trình tốn kém và mất thời gian. Các mô hình học sâu thường yêu cầu lượng lớn dữ liệu để đạt được hiệu suất tốt, điều này gây khó khăn cho việc huấn luyện các mô hình mạnh mẽ trong điều kiện dữ liệu hạn chế. Cuối cùng, việc triển khai các hệ thống nhận diện hành động thời gian thực đòi hỏi các thuật toán hiệu quả về mặt tính toán để có thể xử lý dữ liệu video với tốc độ khung hình cao.

2.1. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác Nhận Diện

Độ chính xác của hệ thống nhận diện hành động bị ảnh hưởng bởi nhiều yếu tố. Nền nhiễu có thể gây khó khăn cho việc xác định vị trí và theo dõi người trong video. Thay đổi góc nhìn làm biến dạng hình ảnh và thay đổi cách hành động được biểu diễn. Ánh sáng không đồng đều có thể làm mờ các chi tiết quan trọng và gây khó khăn cho việc trích xuất đặc trưng. Tốc độ hành động khác nhau cũng có thể làm thay đổi biểu diễn hành động, đặc biệt khi sử dụng các phương pháp dựa trên optical flow. Sự che khuất có thể làm gián đoạn quá trình theo dõi và làm mất thông tin về hành động.

2.2. Khó Khăn Trong Việc Thu Thập và Gán Nhãn Dữ Liệu

Việc thu thập và gán nhãn dữ liệu cho bài toán nhận diện hành động là một quá trình phức tạp và tốn kém. Các dữ liệu video cần phải được thu thập từ nhiều nguồn khác nhau, với nhiều góc nhìn và điều kiện ánh sáng khác nhau để đảm bảo tính đa dạng. Việc gán nhãn cho từng video cũng đòi hỏi sự tham gia của con người để xác định chính xác hành động đang diễn ra. Quá trình này rất tốn thời gian và dễ xảy ra sai sót, đặc biệt khi các hành động phức tạp và khó phân biệt. Do đó, việc tạo ra các dataset cho nhận diện hành động chất lượng cao là một thách thức lớn.

III. Ứng Dụng Mạng Nơ Ron Tích Chập CNN Trong Nhận Diện Hành Động

Gần đây, các kỹ thuật tiên tiến dựa trên mạng nơ-ron tích chập (convolutional neural network - CNN) đã tạo ra những cải tiến ấn tượng so với các kỹ thuật dựa trên các đặc trưng thủ công truyền thống. Các nghiên cứu cũng chỉ ra rằng việc sử dụng các luồng dữ liệu khác nhau sẽ giúp tăng hiệu suất nhận dạng. Bài báo này đề xuất một phương pháp khai thác cả RGBoptical flow cho human action recognition. Cụ thể, triển khai một mạng nơ-ron tích chập hai luồng nhận đầu vào là RGB và optical flow được tính toán từ luồng RGB. Mỗi luồng có kiến trúc của một mạng nơ-ron tích chập 3D hiện có (3D CNN) đã được chứng minh là nhỏ gọn nhưng hiệu quả cho nhiệm vụ action recognition từ video. Mỗi luồng hoạt động độc lập sau đó được kết hợp bằng cách hợp nhất sớm hoặc hợp nhất muộn để đưa ra kết quả nhận dạng. Phương pháp này cho thấy rằng mạng nơ-ron tích chập 3D hai luồng (2stream CNN) vượt trội so với một luồng CNN trên hai tập dữ liệu chuẩn UCF101 và CMDFALL.

3.1. Giới Thiệu Về Mạng Nơ Ron Tích Chập CNN và Ứng Dụng

Mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs) là một loại mạng nơ-ron sâu đặc biệt hiệu quả trong việc xử lý dữ liệu có cấu trúc lưới như hình ảnh và video. CNNs sử dụng các lớp tích chập để tự động học các đặc trưng quan trọng từ dữ liệu đầu vào. Các lớp tích chập này sử dụng các bộ lọc nhỏ để quét qua dữ liệu, tìm kiếm các mẫu và đặc điểm quan trọng. CNNs đã đạt được những thành công vượt trội trong nhiều bài toán computer vision, bao gồm xử lý ảnh, xử lý video, video classificationhuman action recognition.

3.2. Ưu Điểm Của 3D CNN So Với 2D CNN Trong HAR

Trong bài toán human action recognition, 3D CNN có nhiều ưu điểm so với 2D CNN. 2D CNN chỉ xử lý từng khung hình riêng lẻ và bỏ qua thông tin về sự thay đổi theo thời gian. Ngược lại, 3D CNN có thể xử lý toàn bộ video, học được các đặc trưng không gian-thời gian. 3D CNN sử dụng các bộ lọc 3D để quét qua video, tìm kiếm các mẫu và đặc điểm quan trọng trong cả không gian và thời gian. Điều này cho phép 3D CNN nắm bắt được các thông tin về chuyển động và sự thay đổi của đối tượng theo thời gian, điều mà 2D CNN không thể làm được. Do đó, 3D CNN thường cho kết quả tốt hơn trong bài toán phân loại hành động so với 2D CNN.

IV. Đề Xuất Phương Pháp Nhận Diện Hành Động Sử Dụng C3D Đa Luồng

Luận văn này đề xuất cải thiện một mạng tích chập 3D hiện có, cụ thể là mạng C3D. Mặc dù bản thân C3D được thiết kế với các kernel 3D trong đó một chiều là thời gian, nhưng kích thước của bộ lọc chỉ là 3 × 3 × 3, dường như không thể đại diện cho sự thay đổi dài. Thay vì chỉ sử dụng một luồng RGB, chúng ta triển khai cả hai luồng (RGB và optical flow). Mỗi luồng đi qua một mạng C3D độc lập sau đó được kết hợp ở mức fully-connected hoặc mức score. Chúng ta thử nghiệm phương pháp được đề xuất trên các tập dữ liệu chuẩn thử thách phổ biến (UCF101HMDB51) và tập dữ liệu do MICA xây dựng (CMDFALL) và cho thấy C3D hai luồng vượt trội hơn C3D một luồng ban đầu.

4.1. Kiến Trúc Đề Xuất Mạng C3D Hai Luồng 2 Stream C3D

Kiến trúc đề xuất sử dụng mạng C3D (Convolutional 3D) trong một cấu trúc hai luồng (two-stream). Một luồng xử lý thông tin RGB (màu sắc và hình ảnh), luồng còn lại xử lý thông tin optical flow (chuyển động). Mỗi luồng có một mạng 3D CNN riêng biệt, được huấn luyện để trích xuất các đặc trưng không gian-thời gian quan trọng từ dữ liệu đầu vào của nó. Sau đó, các đặc trưng được trích xuất từ hai luồng được kết hợp để đưa ra dự đoán cuối cùng về hành động. Việc sử dụng hai luồng cho phép mạng nắm bắt được cả thông tin về hình dạng và chuyển động, giúp cải thiện độ chính xác của action recognition.

4.2. Tính Toán Optical Flow cho Luồng Chuyển Động C3D

Để mã hóa thông tin thời gian cho luồng thứ hai của C3D, optical flow được sử dụng. Optical flow là một kỹ thuật ước tính chuyển động của các pixel giữa các khung hình liên tiếp trong video. Nó cung cấp thông tin về hướng và vận tốc của chuyển động. Luận văn này sử dụng phương pháp Brox để tính toán optical flow. Mỗi clip 16 khung hình của optical flow được đưa vào luồng thời gian. Việc sử dụng optical flow giúp mạng C3D nắm bắt được thông tin về chuyển động của các đối tượng và hành động đang diễn ra.

V. Hợp Nhất Đa Luồng Phương Pháp Kết Hợp Thông Tin Trong CNN

Sau khi có được đặc trưng từ hai luồng, bước tiếp theo là kết hợp chúng để đưa ra dự đoán cuối cùng. Có hai phương pháp chính được sử dụng: early fusionlate fusion. Trong phương pháp early fusion, các đặc trưng được trích xuất từ hai luồng được kết hợp ngay từ đầu, thường bằng cách nối chúng lại với nhau. Sau đó, các đặc trưng kết hợp này được đưa vào một bộ phân loại (ví dụ: SVM) để dự đoán nhãn hành động. Trong phương pháp late fusion, mỗi luồng đưa ra dự đoán riêng của nó, và sau đó các dự đoán này được kết hợp lại, thường bằng cách lấy trung bình hoặc sử dụng một mô hình học máy khác. Luận văn này sử dụng cả hai phương pháp fusion và so sánh hiệu suất của chúng.

5.1. Early Fusion Kết Hợp Đặc Trưng Từ Đầu Các Mạng CNN

Trong phương pháp early fusion, C3DO-C3D được sử dụng như một công cụ trích xuất đặc trưng. Sau khi huấn luyện, C3DO-C3D được sử dụng để trích xuất lớp fc6 cho mỗi luồng. Chuẩn hóa L2 được sử dụng cho mỗi vector sau đó nối các vector của hai luồng để tạo thành một mô tả video là một vector 6144 chiều (4096 cho RGB-C3D, 2048 cho O-C3D). Chuẩn hóa L2 sau đó được sử dụng cho vector này để tạo đầu vào cho một SVM tuyến tính.

5.2. Late Fusion Kết Hợp Kết Quả Dự Đoán Từ Mạng Nơ Ron

Ở cuối mạng trên mỗi luồng, có một lớp softmax có kích thước là 101 (cho UCF101) và 51 (cho HMDB51) đại diện cho xác suất cho mỗi lớp. Trong late fusion, kết quả dự đoán cuối cùng được tính bằng cách lấy trung bình các lớp score từ 2 luồng. Việc hợp nhất cuối cho phép các mạng học một cách độc lập các đặc trưng và sau đó kết hợp chúng để đưa ra một kết quả chính xác hơn.

VI. Đánh Giá Hiệu Quả Phương Pháp Trên Các Bộ Dữ Liệu Chuẩn

Trong các thử nghiệm, ba tập dữ liệu được sử dụng để đánh giá: UCF101, HMDB51 và CMDFALL. UCF101 và HMDB51 là các tập dữ liệu rất phổ biến cho các chuẩn điểm chuẩn nhận dạng hành động trong lĩnh vực nghiên cứu. UCF101 chứa 13320 video thuộc 101 danh mục được thu thập từ YouTube. Mỗi danh mục được nhóm thành 25 nhóm, trong đó mỗi nhóm bao gồm 4 đến 7 video. Các danh mục hành động có thể được chia thành năm loại: Tương tác Người-Đối tượng, Chỉ Chuyển động Cơ thể, Tương tác Người-Người, Chơi Nhạc cụ, Thể thao. UCF101 mang lại sự đa dạng lớn về hành động và điều kiện. Tổng số khung hình là 2. Các video có độ phân giải không gian là 320 × 240 pixel và tốc độ khung hình 25fps.

6.1. So Sánh Hiệu Suất Nhận Diện Trên UCF101 HMDB51 CMDFALL

Luận văn này đã thực hiện các thử nghiệm trên ba tập dữ liệu chuẩn: UCF101, HMDB51CMDFALL. Kết quả cho thấy rằng kiến trúc hai luồng (two-stream) với C3D đã cải thiện hiệu suất so với C3D một luồng (chỉ sử dụng RGB). Trên UCF101HMDB51, phương pháp hợp nhất muộn (late fusion) cho kết quả tốt hơn. Các kết quả này cho thấy tính hiệu quả của việc kết hợp thông tin từ cả hai luồng RGB và optical flow.

6.2. Phân Tích Ma Trận Nhầm Lẫn và Các Lớp Hành Động Khó Nhận Diện

Để hiểu rõ hơn về hiệu suất của phương pháp, một ma trận nhầm lẫn đã được phân tích. Ma trận này cho thấy các lớp hành động nào thường bị nhầm lẫn với nhau. Từ phân tích này, có thể xác định được các lớp hành động khó nhận diện và các yếu tố gây nhầm lẫn. Thông tin này có thể được sử dụng để cải thiện phương pháp nhận diện trong tương lai.

VII. Kết Luận và Hướng Nghiên Cứu Phát Triển Nhận Diện Hành Động

Luận văn này đã trình bày một giải pháp để cải thiện hiệu suất của human action recognition. Khung được đề xuất kết hợp các thông tin khác nhau của luồng video (RGB, Optical Flow) trong kiến trúc CNN 3D hai luồng (C3D). Thử nghiệm trên hai tập dữ liệu chuẩn UCF101, HMDB51, CMDFALL cho thấy phương pháp được đề xuất vượt trội hơn C3D ban đầu (chỉ sử dụng luồng RGB). Trong khung của chúng tôi, đã nghiên cứu hợp nhất muộn và hợp nhất sớm. Trong cả hai trường hợp, C3D hai luồng đạt được hiệu suất tốt hơn C3D một luồng, điều đó xác nhận những lợi thế của việc kết hợp luồng quang với RGB.

7.1. Tổng Kết Những Ưu Điểm và Hạn Chế Của Phương Pháp Đề Xuất

Phương pháp đề xuất trong luận văn này có những ưu điểm nhất định, như khả năng cải thiện độ chính xác nhận diện hành động bằng cách kết hợp thông tin từ cả RGB và optical flow. Tuy nhiên, phương pháp này cũng có những hạn chế nhất định, như thời gian huấn luyện lâu hơn do cần huấn luyện hai mạng riêng biệt. Các nghiên cứu trong tương lai có thể tập trung vào việc giảm thời gian huấn luyện và khám phá các phương pháp kết hợp thông tin hiệu quả hơn.

7.2. Đề Xuất Hướng Nghiên Cứu Tiềm Năng Trong Lĩnh Vực HAR

Trong tương lai, cần có những nghiên cứu sâu hơn để cải thiện CNN. Công việc tiếp theo có thể tập trung vào việc khai thác thêm các nguồn thông tin khác, như thông tin âm thanh hoặc thông tin từ các cảm biến khác. Nghiên cứu transfer learningfine-tuning models cũng là một hướng đi hứa hẹn để tận dụng các mô hình đã được huấn luyện trên các tập dữ liệu lớn.

20/09/2025

Trích đoạn nội dung tài liệu

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI --------------------------------------- Khổng Văn Minh KẾT HỢP ĐẶC TRƯNG DIỆN MẠO VÀ CHUYỂN ĐỘNG TRONG BIỂU DIỄN HOẠT ĐỘNG CỦA NGƯỜI SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP Chuyên ngành : Hệ thống thông tin LUẬN VĂN THẠC SĨ KHOA HỌC HỆ THỐNG THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC : TS. Trần Thị Thanh Hải Hà Nội – Năm 2018 17057204899671000000 MINISTRY OF EDUCATION AND TRAINING HANOI UNIVERSITY OF SCIENCE AND TECHNOLOGY --------------------------------------- KHONG VAN MINH COMBINATION OF APPEARANCE AND MOTION INFORMATION IN HUMAN ACTION REPRESENTATION USING CONVOLUTIONAL NEURAL NETWORK FIELD OF STUDY : INFORMATION SYSTEM MASTER’S THESIS IN INFORMATION SYSTEM SUPERVISOR: PhD: Tran Thi Thanh Hai HANOI – 2018 SĐH.BM11 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự do – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ và tên tác giả luận văn : Khổng Văn Minh Đề tài luận văn: Kết hợp đặc trưng diện mạo và chuyển động trong biểu diễn hoạt động của người sử dụng mạng nơ ron tích chập Chuyên ngành: Hệ thống thông tin Mã số SV: CBC17021 Tác giả, Người hướng dẫn khoa học và Hội đồng chấm luận văn xác nhận tác giả đã sửa chữa, bổ sung luận văn theo biên bản họp Hội đồng ngày….………… với các nội dung sau: ……………………………………………………………………………………………………. Ngày tháng năm Giáo viên hướng dẫn Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG Abstract In this thesis, I focus on solving the action recognition problem in video or a stack of con- secutive frames. This problem plays an important role in surveillance systems that are very popular nowadays.

There are two main solutions to solve this problem: using hand-crafted features or using learned features using deep learning. Both of the solutions have pros and cons and the solution that I study belongs to the secondategory. Recently, advanced tech- niques relying on convolutional neural networks produced impressive improvement com- pared to traditional handcrafted features based techniques. Besides, literature researches also showed that the use of different streams of data will help to increase recognition per- formance.

This paper proposes a method that exploits both RGB and optical flow for human action recognition. Specifically, we deploy a two stream convolutional neural network that takes RGB and optical flow computed from RGB stream as inputs. Each stream has ar- chitecture of an existing 3D convolutional neural network (C3D) which has been shown to be compact but efficient for the task of action recognition from video. Each stream works independently then is combined by early fusion or late fusion to output the recognition results.

We show that the proposed two-stream 3D convolutional neural network (2stream C3D) outperforms one stream C3D on two benchmark datasets UCF101 (from 82.87%) and CMDFALL (from 65. 1 Acknowledgments Firstly, I would like to express my deep gratitude to my supervisor PhD. Tran Thi Thanh Hai for supporting my research direction, which allowed me to explore new ideas in the field of computer vision and machine learning. I would like to thank for her supervision, encouragement, motivation, and support and her guidance helped me throughout the re- search work and in writing of the thesis.

I would like to acknowledge the International Research Institute MICA, HUST for pro- viding me the great research environment. I wish to express my gratitude to the teachers in Computer vision department, MICA for giving me the opportunity to work and acquire great research experience. I would like to acknowledge the School of Information and Communication Technology for providing me the knowledge and the opportunity to study. I would like to thank my friends for supporting me in my study.

Last but not least, I would like to convey my deepest gratitude to my family for their supports, and sacrifices during my studies. 2 Contents 1 Introduction to Human Action Recognition 9 1.1 Human Action Recognition problem .2 Overview of human action recognition approach .1 Hand crafted feature based methods .2 Deep learning based methods .3 Purpose of thesis. 13 2 State-of-the-art on HAR using CNN 15 2.1 Introduction to Convolutional Neural Networks .2 2D Convolutional Neural Networks .3 3D Convolutional Neural Networks .4 Multistream Convolutional Neural Networks. 20 3 Proposed method for HAR using multistream C3D 23 3.3 Optical Flow Stream .4 Fusion of multistream 3D CNN .1 Pros and Cons.

43 4 List of Figures 1-1 Human Action Recognition Problem. 10 1-2 Human Action Recognition phases. 11 1-3 Hand-crafted feature based method for Human Action Recognition. 12 1-4 Deep learning method for Human Action Recognition problem.

13 2-1 Main layers in Convolutional Neural Networks. 15 2-2 Fusion techniques used in [1]. 19 2-4 Two stream architecture for Human Action Recognition in [2]. 21 3-1 General framework for human action recognition.

24 3-2 Early fusion method by concatenate two L2-normalization feature vectors. 26 3-3 Late fusion by averaging class score. 27 4-1 The class labels in UCF101 dataset. 29 4-2 The class labels in HMDB51 dataset.

30 4-3 Experiment steps for each dataset. 30 4-4 The step using C3D for experiment. 32 4-5 C3D clip and video prediction. 35 4-6 Confusion matrix of two stream on UCF101.

36 4-7 Confusion matrix of two stream on HMBD51. 36 4-8 Confusion matrix of two stream on CMDFALL. 37 4-9 In HMDB51, the most confused action in the RGB stream is swing base- ball. 60% of its videos are confused with throw.

39 5 4-10 Most benefit classes in UCF101 when combining compared to RGB stream 39 4-11 Most benefit classes in HMDB51 when combining compared to RGB stream 40 4-12 Most benefit classes in HMDB51 when combining compared to RGB stream 40 4-13 Classes of UCF101 in which RGB stream perform better. 40 4-14 Classes of UCF101 in which Flow stream perform better. 41 4-15 Classes of HMDB51 in which RGB stream perform better. 41 4-16 Classes of HMDB51 in which Flow stream perform better.

41 4-17 Classes of CMDFALL in which RGB stream perform better. 41 4-18 Classes of CMDFALL in which Flow stream perform better. 42 6 Acronyms 3DCNN 3D Convolutional Neural Networks. 1, 19 CNN Convolutional Neural Networks.

1, 15, 17, 20 HAR Human Action Recognition. 1, 9, 23 HOG Histogram of Gradients. 12 MBH Motion boundary histograms. 12 SIFT Scale-invariant feature transform.

12 7 List of Tables 2.1 Result of fusion techniques on the 200,000 videos of the Sport1M test set. Hit@k indicate the fraction of test samples that contained a least one of the ground truth labels in the top k predictions [1].2 C3D results on different tasks .3 Two-stream architecture mean accuracy (%) on UCF101 and HMDB51 dataset .1 Class tree of CMDFALL dataset .2 Accuracy of action recognition on single and multiple streams C3D (%) .3 Comparision result on two popular benchmark datasets (%). 37 8 Chapter 1 Introduction to Human Action Recognition 1.1 Human Action Recognition problem Human action recognition is an important topic in computer vision domain. It has many applications such as: surveillance system in hospital, abnormal activity detection in build- ing (bank, aeroport, hotel) or in human machine interaction.

There are various types of human activities. Depending on their complexity, we can categorize human activities into four different levels: gestures, actions, interactions, and group activities. ∙ Gestures are elementary movements of a person"s body part, and are atomic compo- nents describing the meaningful motion of a person. Example: "stretching an arm", "raising a leg",.

∙ Actions are single person activities that may be composed of multiple gestures orga- nized temporally, such as: "walking", "waving", and "punching". ∙ Interactions are human activities that involve two or more persons and/or objects. For example, "two person fighting" is an interaction between two humans, "drinking water" is an interaction between human and object. ∙ Group of activities are the activities performed by conceptual groups composed of 9 multiple persons and/or objects.

Example: "A group of persons marching",. Figure 1-1: Human Action Recognition Problem In this thesis, we focus on the human action recognition. The problem of human action recognition can be defined as below. ∙ Input: A video or a sequence of consecutive frames that contain a human action.

∙ Output: Label of the action that that belongs to one of the predefined classes. Human action recognition is a challenge for researchers in computer vision domain because of noisy background, viewpoint changes, and variety in performing action of each person. Figure 1-1 illustrates the human action recognition problem. Key components of a visual recognition system Figure 1-2 illustrate the two phases of a recognition system.

∙ Training: Learning from the training dataset to obtain the parameters of the recogni- tion model. ∙ Recognition: Use the learned model from training phase to recognize new data. Each phase in the system has the main components as below: ∙ Preprocessing data: Convert data to the form that are compatible for the model 10 Figure 1-2: Human Action Recognition phases ∙ Feature extraction: From the preprocessed data, extract the suitable features for rep- resenting the human action. The features can be obtained by hand crafted or deep learning techniques.

∙ Classification: Use the features extracted from previous step to create the input for the training or predicting. ∙ Recognition: The new data is input through the step of preprocessing, feature extrac- tion, then using the trained classifier for predicting the label. 11 Figure 1-3: Hand-crafted feature based method for Human Action Recognition 1.2 Overview of human action recognition approach 1.1 Hand crafted feature based methods In this approach, human actions are represented by features that are manually designed by high experience researchers. Once features are extracted, they are inputs to a generic trainable classifier for action recognition.

The building blocks for hand-crafted feature- based approach is illustrated in the figure 1-3: ∙ Feature extraction: Takes input as image or video pixel and output the features for that image or video. ∙ Classification: A classifier that takes the feature as input and provides the output as class label. There are many types of handcrafted features designed by experts to solve the human action recognition problem. Many classical image features have been generalized to videos, e.

Among local space-time features, dense trajectories have been shown to perform best on variety of datasets. The main idea is to densely sample feature points in each frame, and track them in the video based on optical flow. Multiple descriptors are computed along the trajectories of feature points to capture shape, appearance and motion information. Motion boundary histograms (MBH) give the best results among these descriptors.

The idea of dense trajectories has extended by the work of Wang and Schmid [3] to improve of performance by considering the camera motion and achieved state-of-the- art in hand-crafted feature. Despite its good performance, this method is computationally intensive. 12 Figure 1-4: Deep learning method for Human Action Recognition problem 1.2 Deep learning based methods On the other hand, a learning-based representation approach, specifically, deep learning uses computational models with multiple processing layers to learn multiple levels of ab- straction from data. This learning encompasses a set of methods that enable the machine to process the data in raw form and automatically transform it into a suitable representation needed for classification.

This is what we call trainable feature extractors. This transfor- mation process is handled at different layers. These layers are learned from raw data using general purpose learning procedure which does not need to be designed manually by ex- perts. The performance of the human action recognition methods mainly depends on the appropriate and efficient representation of data.

Recently, deep learning achieved very good result on image-based task [4]. This result inspires researchers to extend it into video classification specially to solve the human action recognition problem.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ