基于高魯棒性特征的人體動作識別方法研究.pdf

1、隨著互聯(lián)網(wǎng)時代的到來和科學(xué)技術(shù)的不斷進步，計算機逐漸可以像人一樣對視頻信息進行獲取、傳輸、處理、存儲和理解。因此，基于視頻的人體動作識別方法研究一直是計算機視覺領(lǐng)域的一個研究熱點，并且在人機交互、醫(yī)療看護、智能監(jiān)控、視頻檢索、以及虛擬現(xiàn)實等多個方面都具有廣闊的應(yīng)用前景。人體動作識別由于發(fā)展迅速已經(jīng)取得了一些重要的研究成果和可行的應(yīng)用技術(shù)。其中，有效特征可分為全局特征和局部特征;分類方法則包含支持向量機，隱馬爾可夫模型和條件隨機場。在整個

2、算法流程中，特征選取的好壞會直接影響整個系統(tǒng)的性能。然而，傳統(tǒng)的全局特征通常要通過背景差分和目標(biāo)跟蹤等方法獲得興趣區(qū)域，利用輪廓、邊緣或者光流等特征進行描述，所以計算復(fù)雜度較高，并且對光照、噪聲和部分遮擋十分敏感;即使將傳統(tǒng)的局部特征建立在興趣點檢測的基礎(chǔ)上，雖然魯棒性相對可以提高，但是以局部特征表達整體特性的過程必然會帶來信息的丟失，此外，傳統(tǒng)局部特征表達不夠直觀，也很難做到精確定位。
　　本文基于圖像識別領(lǐng)域物體檢測的BING

3、特征，加入時域的梯度信息，提出一種新的二進制加速時空標(biāo)準(zhǔn)梯度特征(ST-BING)，并成功將其應(yīng)用在視頻中的人體動作識別及定位中。ST-BING由空間標(biāo)準(zhǔn)梯度特征(S-BING)和時間標(biāo)準(zhǔn)梯度特征(T-BING)組成。其中，T-BING捕捉了不同類別動作的運動信息，S-BING記錄了動作執(zhí)行者的靜態(tài)信息。由于ST-BING對視頻的每一幀都進行多尺度滑動窗口處理，從而弱化了復(fù)雜背景對人體動作識別和定位的干擾，并且對不同動作具有一定的尺度不

4、變性，增強了系統(tǒng)的魯棒性。將ST-BING用二進制近似表示，在特征提取，動作分類和測試環(huán)節(jié)都用位運算，極大降低了計算的復(fù)雜度。同時，在動作分類時使用級聯(lián)SVM模型，與傳統(tǒng)的SVM相比，該模型考慮了不同尺度的窗口包含動作的可能性差異，提高了動作識別的準(zhǔn)確率。在UCF-Sports數(shù)據(jù)庫上進行了實驗，采用K次交叉驗證法。其中，人體動作識別和定位的準(zhǔn)確率分別達到了85.4％和44.8％，在目前主流的個人計算機硬件配置下對視頻幀的識別和定位速度