Action recognition with improved trajectories

从提供的文件信息中，我们可以提取并生成以下知识点： 1. ICCV2013年际计算机视觉会议（IEEE International Conference on Computer Vision）是计算机视觉领域的重要会议，每年都会吸引众多的研究者，发布该领域的最新研究成果。在2013年的会议中，Heng Wang和Cordelia Schmid发表了一篇关于行为识别的文章，该文章被引用为经典之作。 2. 行为识别是计算机视觉的一个重要研究领域，已经超过三十年的历史。它致力于开发算法来识别和解释视频数据中的个体行为。在过去的几年里，研究者们将注意力转移到了从电影、网络视频和电视节目中收集的现实世界数据集，如Hollywood2、HMDB51、Olympic Sports和UCF50等，这些数据集对行为识别提出了新的挑战。 3. 空间时间特征是行为识别的重要工具，它们包括避免了非平凡预处理步骤的局部特征，如跟踪和分割。这些局部特征的“特征袋”（Bag-of-Features）表示可以直接用于行为分类，并且已经证明能够达到最先进的性能。 4. 通过文献回顾可知，许多经典的图像特征已经被推广到了视频应用中，例如3D SIFT、扩展的SURF、HOG3D和局部三元模式等。在所有局部时空特征中，密集轨迹（dense trajectories）在各种数据集上表现最佳。 5. 该论文的主要贡献是通过考虑相机运动来提升轨迹的性能。为此，作者使用了尺度不变特征变换（Scale-Invariant Feature Transform，SURF）描述符和密集光流（dense optical flow）匹配帧之间的特征点，这两种方法被证实是互补的。然后利用这些匹配点来通过RANSAC方法稳健地估计齐次变换（homography）。 6. 人运动通常与相机运动不同，会产生不一致的匹配点。为了改进估计，该研究利用人体检测器移除这些不一致的匹配点。 7. 在估计到相机运动后，该论文提出移除与相机运动一致的轨迹，同时使用这种估计来消除光流中的相机运动影响。这显著提高了基于运动的描述符，如HOF（Histogram of Optical Flow）和MBH（Motion Boundary Histograms）的性能。 8. 在Hollywood2、HMDB51、Olympic Sports和UCF50四个挑战性数据集上的实验结果显著超过了当前的先进技术。 9.SURF是一种图像特征检测方法，设计用于快速和鲁棒地检测图像中的关键点并描述它们。它扩展了SIFT的特性，以提高速度并简化实现。SURF在各种计算机视觉和图像处理任务中被广泛使用。 10. RANSAC（随机抽样一致性）是一种通用的迭代方法，用于估计数学模型参数。它主要被用于计算机视觉领域，在存在大量噪声的情况下，用以找到一个数学模型的参数，该模型能够最好地解释数据。RANSAC特别适合于在图像配准、3D重建和运动分析等任务中处理异常值和噪声数据。 11. 光流（Optical Flow）是分析图像序列中目标运动的一种方法。它通过对连续帧之间像素点的运动进行估计，生成一个运动场，能够反映出每个像素点的运动趋势和速度。 通过以上知识点的总结，我们可以清晰地了解到在行为识别领域中，如何通过密集轨迹和考虑相机运动来提高识别准确率，并且理解了相关的技术和理论背景。