基于關(guān)節(jié)數(shù)據(jù)和極限學(xué)習(xí)機的人體動作識別.pdf

1、隨著技術(shù)的發(fā)展，人體運動捕捉數(shù)據(jù)在人機交互、交互式娛樂、以及教育、醫(yī)療等領(lǐng)域得到廣泛應(yīng)用。人體動作的識別作為計算機視覺領(lǐng)域的一個難題，成為體感游戲、安全防護(hù)以及多媒體信息的檢索中的關(guān)鍵技術(shù)，因此提高人體動作的識別率至關(guān)重要。
　　本文在現(xiàn)有的動作特征描述符的基礎(chǔ)上，對特征和分類器作出改進(jìn)，并在微軟MSR-Action3D數(shù)據(jù)集和波恩大學(xué)HDM05運動捕捉數(shù)據(jù)集上進(jìn)行實驗，得到良好的分類效果。本文的主要工作內(nèi)容及貢獻(xiàn)如下:
　

2、　(1)在Hussein等提出的協(xié)方差描述符和方向位移直方圖(HOD)描述符的基礎(chǔ)上，將二者合并生成了同時能在靜態(tài)上反映關(guān)節(jié)位置關(guān)聯(lián)信息和動態(tài)上反映各關(guān)節(jié)位置變化信息的新的組合描述符，并使用極限學(xué)習(xí)機(Extreme LearningMachine,ELM)對其分類，得到較好的識別效果。
　　(2)將線性回歸分類器的原理引入到極限學(xué)習(xí)機中，對極限學(xué)習(xí)機進(jìn)行改進(jìn)，以實現(xiàn)對動作數(shù)據(jù)分類的目的，并在上述兩個數(shù)據(jù)集上進(jìn)行實驗，得到較原始E

3、LM算法更好的識別效果。
　　(3)將稀疏表示分類器的原理應(yīng)用到極限學(xué)習(xí)機中，對隨機投影到高維空間的人體動作樣本采用稀疏表示分類器進(jìn)行分類。在MSR-Action3D數(shù)據(jù)集上進(jìn)行對比實驗，在分類器隱藏層節(jié)點數(shù)較高時獲得全面優(yōu)于原始ELM算法的識別效果。
　　(4)為提高ELM在隱藏層節(jié)點數(shù)較大的情況下對人體動作特征識別的抗過擬合效果，將Dropout學(xué)習(xí)策略應(yīng)用到極限學(xué)習(xí)機中，并在MSR-Action3D數(shù)據(jù)集上進(jìn)行實驗，結(jié)