DT&IDT算法應該算是行為識別領域中經典中的經典了，自從13年提出以來，在HMDB-51和UCF-101等若干個數據庫上得到了非常好的效果，雖然DT&IDT算法做不過深度學習，但是由于其算法的有效性，現在大部分都是以“Ours+IDT”的形式呈現在論文里，并且加上了IDT后，結果的確能得到很明顯的提升。
具體IDT算法的講解可以參考博客：行為識別筆記：improved dense trajectories算法（iDT算法）
IDT算法的代碼可以在作者的主頁上下載，另外作者給出的代碼只包括了密集采樣+軌跡跟蹤+特征提取三個部分，后續的特征編碼部分請點擊此處下載。

---

1. 運行IDT算法代碼

下載好代碼后可以仔細閱讀一下Readme文件，首先需要配置好Opencv和ffmpeg兩個庫，具體的版本請參考Readme文件。配置好后就可以在目錄下直接make，編譯好的可執行文件在./release/下。
可以運行他的demo視頻來看一下是否編譯成功：./release/DenseTrackStab ./test_sequences/person01_boxing_d1_uncomp.avi，如果編譯成功的話會在屏幕上打印出一系列的數字，這些就是軌跡特征以及HOG, HOF和MBH特征。
IDT代碼只是將各個特征打印了出來，如果需要改成保存到文件的話，更改第248-251行的代碼即可：

PrintDesc(iTrack->hog, hogInfo, trackInfo); PrintDesc(iTrack->hof, hofInfo, trackInfo); PrintDesc(iTrack->mbhX, mbhInfo, trackInfo); PrintDesc(iTrack->mbhY, mbhInfo, trackInfo);

另外，在做自己的數據庫時，不可能一個視頻一個視頻的去輸入，這時可以寫一個vim腳本，來批量運行，可以參考如下代碼：

#!/usr/bin/env bash cmd="release/DenseTrackStab" filePath="" #數據存放路徑 fileType=".txt" function readfile(){for file in `ls $1`doif [ -d $1"/"$file ]thenreadfile $1"/"$fileelseecho $file$cmd $1"/"$filefidone } readfile $filePath

2. 特征編碼

后續的特征編碼采用了dtfv代碼運行，具體可以參考src/中的Readme.rst文件，大致步驟如下：

1. 下載vl_feat并編譯

編譯好vl_feat工具箱后，將vlfeats/bin/glnx64中的libvl.so文件拷貝到dtfv/src/vl文件夾中，如果拷貝glnx86中的libvl.so后編譯時會報錯

2. 編譯

在src文件夾中輸入make進行編譯：

改變路徑
在../script/extract_fv.py文件中更改一下幾個變量：dtBin、fvBin、tmpDir、pID、pcaList，具體可以參考Readme文件。
這里貼一下我所用的變量：

運行代碼
在../data/文件夾中運行：python extract_fv.py [videoList] [outputDir] [totalCores]。之后會在tmpDir中得到resize之后的視頻文件，每個視頻將在outputDir文件夾中得到五個文件，分別以[Videoname].avi.[traj|hog|hof|mbhx|mbhy].fv.txt命名。

---

遇到的bug：

error while loading shared libraries: libvl.so: cannot open shared object file: No such file or directory
【解決方法】LD_LIBRARY_PATH=$LD_LIBRARY_PATH:dtfv-master/src/vl
LD_LIBRARY_PATH=$LD_LIBRARY_PATH: dtfv-master/src/alglib
（注意，路徑要輸入的是絕對路徑）

總結

以上是生活随笔為你收集整理的运行iDT算法代码及后续特征编码的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。