基于概率特征的在線人體動作識別方法研究.pdf

1、深度攝像頭的出現(xiàn)，大大推動了人體動作識別的發(fā)展。深度攝像頭的深度圖像能提供拍攝目標的深度信息，這些信息可以使研究者高效可靠地提取出人體的骨骼數(shù)據(jù)。由于骨骼數(shù)據(jù)能很好的刻畫出動作的動態(tài)特征，所以近年來出現(xiàn)了很多基于骨骼數(shù)據(jù)的人體動作識別方法，這些方法顯示出了非常好的識別效果。但是在人體動作識別領域中仍然存在一些問題沒有得到有效解決：①如何持續(xù)地從連續(xù)的動作數(shù)據(jù)流中識別出感興趣的動作；②如何解決動作的類內(nèi)變化性；③如何提高人體動作識別方法的

2、實時性。
　　針對人體動作識別領域中存在的問題，本文提出了一種基于 Kinect的在線人體動作識別方法。主要分為以下三個內(nèi)容：①我們采用了基于 Lie群的人體骨架表示法去表示每一時刻的人體骨架，與其他骨架表示法相比，基于 Lie群的方法可以更好地刻畫動作的動態(tài)特征；②提出了一種通過構(gòu)建概率模型字典提取概率特征的方法。我們將一個動作看成是人體不同部位的運動的融合，而每個部位的運動又具有多種風格。于是，我們可以利用少量的部位運動風格交

3、叉組合去表示大量的動作風格?；谶@個觀點，我們分別對所有動作實例間位于同一維的單維時間序列進行聚類，其中動作實例中的每一維時間序列表示人體某一個部位的運動。在聚類完畢后用馬爾可夫鏈對每一類進行建模，獲取代表這一類時間序列變化規(guī)律的概率模型，同時也表示了一個部位的一種運動風格。所有類別的概率模型組成概率模型字典。概率模型字典存儲了人體各個部位的多種風格的運動。然后我們將連續(xù)的動作數(shù)據(jù)流的每一幀及其之前若干幀都看成是一個動作實例，計算這個動