基于Kinect相機的人體行為識別方法研究.pdf

1、人體行為識別作為計算機視覺領(lǐng)域的一個研究熱點，它受到了越來越多研究者的關(guān)注并且在計算機視覺領(lǐng)域有著廣泛的應(yīng)用，例如:智能監(jiān)控、智能安防、虛擬現(xiàn)實、運動性能分析以及高級的人機交互等?，F(xiàn)有的大多數(shù)人體行為識別算法都是從RGB視頻中提取底層或高層的視覺特征來表示人體行為，這些算法的識別準(zhǔn)確率在噪聲、雜亂背景、局部遮擋以及相機視角變化的影響下急劇下降。因此，提取高效率以及顯著性的視覺特征是成功的人體行為識別系統(tǒng)的關(guān)鍵步驟。
　　近些年來，

2、由于操作簡單以及價格低廉的視覺傳感器(Kinect)的出現(xiàn)，許多研究者提出將Kinect相機采集到的深度與骨骼數(shù)據(jù)應(yīng)用到人體行為識別上。受此工作激發(fā)，本文針對深度和骨骼數(shù)據(jù)研究相應(yīng)的人體行為識別技術(shù)。本文主要工作和創(chuàng)新點如下:
　　首先，針對現(xiàn)有基于骨骼節(jié)點的行為識別算法的準(zhǔn)確率低，計算復(fù)雜等問題，提出了一種基于關(guān)鍵骨骼節(jié)點的人體行為識別算法。它的基本思路是:采用一種改進(jìn)的K-means算法與節(jié)點運動量相結(jié)合的方法提取關(guān)鍵骨骼節(jié)點

3、子集，然后，進(jìn)一步計算關(guān)鍵骨骼節(jié)點的深度占用模型DOP(Depth Occupancy Pattern)以及3D關(guān)鍵骨骼節(jié)點的位置特征來描述人體行為。為了降低提出的關(guān)鍵骨骼節(jié)點特征的維數(shù)，本文采用傅里葉時間金字塔FTP(Fourier Temporal Pyramid)來編碼這些特征。最后，L2正則化協(xié)作表示分類器L2-CRC(L2-Regularized CollaborativeRepresentation Classifier)被

4、用來進(jìn)行人體行為的分類。
　　其次，針對深度序列的獨特性質(zhì)以及特征融合對行為識別的重要意義，提出了一種融合多種異質(zhì)特征的人體行為識別算法。本文直接從深度序列中提取3D點云序列，然后利用一種由粗到細(xì)的算法從3D點云序列中計算多尺度局部時空特征描述子，它包括多尺度的局部位置模型MSLPP(Multi-Scale Local PositionPattern)以及兩個相鄰的MSLPPs之間的運動距離。此外，本文采用特征融合的方法將多尺度局