基于三維骨架序列的人體行為識別研究.pdf

1、作為計(jì)算機(jī)視覺和增強(qiáng)現(xiàn)實(shí)領(lǐng)域一個(gè)新興的研究方向，人體行為識別具有極高的理論研究價(jià)值。而在智能家居，運(yùn)動分析，游戲娛樂和醫(yī)療康復(fù)等應(yīng)用領(lǐng)域，人體行為識別起著非常核心的作用。早期的人體行為識別研究是基于視頻序列分析的，盡管提出各種各樣的視頻分析算法，但是由于復(fù)雜背景、光照變化、遮擋等因素的影響，精確的人體行為識別仍存在諸多困難，在應(yīng)用領(lǐng)域受到了很大的限制。然而隨著經(jīng)濟(jì)型深度視覺捕獲設(shè)備的出現(xiàn)，更具判定性和壓縮性的三維人體骨架數(shù)據(jù)更容易獲取，

2、基于視頻序列的行為識別所遇到的問題能夠得到解決，人體行為識別又迎來新的曙光。
　　本文對基于Kinect獲取的人體三維骨架序列進(jìn)行行為識別研究。對特征描述、高層模型的建立和模型與特征序列之間相似性度量等關(guān)鍵技術(shù)進(jìn)行了研究。通過建立高層模型來描述特征序列，解決了特征序列匹配時(shí)存在的時(shí)間動態(tài)性問題。本文的主要工作和創(chuàng)新點(diǎn)都是圍繞著特征序列的動態(tài)性問題展開的，主要包括以下三點(diǎn):
　　1.提出了基于分層模型的人體行為識別算法

3、　　通過分層結(jié)構(gòu)將行為類別分成若干小組，從而將復(fù)雜任務(wù)分解為簡單的子任務(wù)。根據(jù)人體各個(gè)部位的運(yùn)動情況，將所有的行為類別分成若干組，然后在每個(gè)組里用已經(jīng)訓(xùn)練好的SVM分類模型對骨架序列提取的特征進(jìn)行分類。使用姿態(tài)特征在時(shí)間軸上連成的特征軌跡來描述行為。為了測量長度不一的特征軌跡之間的相似性，本文使用了各向異性擴(kuò)散濾波器平滑特征，并用傅里葉時(shí)間金字塔提取頻率信息作為最終的分類特征。由于使用頻率信息作為特征，該方法能夠解決行為的重復(fù)性和不完整

4、性的問題。實(shí)驗(yàn)結(jié)果表明，與之前的方法相比，基于分層模型的方法能夠獲得更高的識別率。
　　2.提出了基于向量空間的實(shí)時(shí)人體行為識別算法
　　使用特征向量空間表示行為的方式解決了軌跡序列匹配時(shí)存在的時(shí)間動態(tài)性問題。提出了最新的基于人體骨架序列的時(shí)空幀特征，它描述了人體的運(yùn)動信息和相對位置信息。將每一幀動作的特征表達(dá)為向量空間的一點(diǎn)，則一個(gè)動作表達(dá)成點(diǎn)的集合。為了能夠?qū)崟r(shí)識別行為，使用Kmeans算法對特征進(jìn)行聚類，使用聚類中心構(gòu)

5、成的向量空間來表示行為。向量空間描述行為的方式，解決了行為的周期性、不完整性和時(shí)間動態(tài)性問題。在兩個(gè)最新的行為骨架數(shù)據(jù)庫上進(jìn)行測試，實(shí)驗(yàn)結(jié)果表明，該算法能有效提高識別率，并且能夠?qū)崟r(shí)進(jìn)行識別。
　　3.提出了基于加權(quán)圖和全局最優(yōu)相似性測量的人體行為識別算法
　　首次提出加權(quán)圖行為描述方法，從每一類行為的幀特征集合中提取聚類中心，構(gòu)成加權(quán)圖的頂點(diǎn)，聚類中心兩兩之間的時(shí)間相關(guān)性，構(gòu)成加權(quán)圖的邊。提出了一個(gè)時(shí)間聚類算法計(jì)算邊的權(quán)重