基于深度圖像的人體行為聚類(lèi)分析方法的研究.pdf

1、人體行為分析是計(jì)算機(jī)視覺(jué)研究領(lǐng)域備受關(guān)注的前沿方向。目前，大多數(shù)行為識(shí)別和分析都是針對(duì)特定異常行為進(jìn)行的，需要事先根據(jù)應(yīng)用環(huán)境的不同，定義所要識(shí)別與分析的特定行為。面向未知環(huán)境或未知行為，這些人體行為分析方法將失去有效性。因?yàn)槲粗h(huán)境中的光照、陰影和運(yùn)動(dòng)物體等外界變化因素，以及人體姿態(tài)的多樣化是人體行為分析所面臨的困難。直到近幾年隨著深度傳感器的發(fā)展，特別是可以從未知環(huán)境中檢測(cè)到人體，并提供人體骨架數(shù)據(jù)的Kinect傳感器的出現(xiàn)，引起人

2、們從深度圖像中分析人體行為產(chǎn)生了極大興趣。本學(xué)位論文提出了基于深度圖像的人體行為識(shí)別方法和基于層次聚類(lèi)的人體行為模式分析方法。
　　首先，建立了用于行為識(shí)別的先驗(yàn)運(yùn)動(dòng)模型。以Kinect提供的關(guān)節(jié)點(diǎn)數(shù)據(jù)作為姿態(tài)特征，采用Levenstein距離改進(jìn)了流形學(xué)習(xí)算法中的拉普拉斯特征映射算法。對(duì)多人行為數(shù)據(jù)進(jìn)行均衡化處理得到了訓(xùn)練數(shù)據(jù)，再對(duì)訓(xùn)練數(shù)據(jù)通過(guò)改進(jìn)的拉普拉斯特征映射算法映射到二維空間得到待識(shí)別行為的嵌入空間，并結(jié)合高維訓(xùn)練數(shù)據(jù)建

3、立了先驗(yàn)運(yùn)動(dòng)模型。
　　其次，采用粒子濾波算法對(duì)行為進(jìn)行識(shí)別，并構(gòu)造了行為表示符號(hào)序列。通過(guò)重新設(shè)計(jì)粒子動(dòng)態(tài)模型和粒子觀察模型，確定行為識(shí)別策略，并且在先驗(yàn)運(yùn)動(dòng)模型的基礎(chǔ)上提出了基于粒子濾波算法的行為識(shí)別方法，然后根據(jù)行為識(shí)別結(jié)果構(gòu)造出了行為表示符號(hào)序列。
　　最后，提出了人體行為模式分析方法。以改進(jìn)的對(duì)稱(chēng)KL距離為相異性測(cè)度設(shè)計(jì)了層次聚類(lèi)算法，對(duì)行為表示符號(hào)序列進(jìn)行聚類(lèi)。借助于聚類(lèi)結(jié)果的信息熵，設(shè)計(jì)了行為模式度量指標(biāo)(Be

4、havior Patterns Metrics，BPM)，并以此為基礎(chǔ)提出了人體行為模式分析方法。
　　實(shí)驗(yàn)結(jié)果表明，本學(xué)位論文提出的基于粒子濾波算法的行為識(shí)別方法，對(duì)喝水、撓頭、伸展運(yùn)動(dòng)、鼓掌、撿東西等5個(gè)行為都有很好的識(shí)別效果，總體識(shí)別率達(dá)到了92.4％，驗(yàn)證了本文提出的行為識(shí)別方法對(duì)重復(fù)動(dòng)作、遮擋、以及動(dòng)作幅度和速度都具有明顯差異的行為仍能獲得較好的識(shí)別率。同時(shí)，以行為識(shí)別結(jié)果為基礎(chǔ)的人體行為模式聚類(lèi)分析方法可以有效地分析出