基于深度圖像的人體行為聚類分析方法的研究.pdf

1、人體行為分析是計算機視覺研究領域備受關注的前沿方向。目前，大多數(shù)行為識別和分析都是針對特定異常行為進行的，需要事先根據(jù)應用環(huán)境的不同，定義所要識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。因為未知環(huán)境中的光照、陰影和運動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。本學位論文提出了基于深度圖像的人體行為識別方法和基于層次聚類的人體行為模式分析方法。
　　首先，建立了用于行為識別的先驗運動模型。以Kinect提供的關節(jié)點數(shù)據(jù)作為姿態(tài)特征，采用Levenstein距離改進了流形學習算法中的拉普拉斯特征映射算法。對多人行為數(shù)據(jù)進行均衡化處理得到了訓練數(shù)據(jù)，再對訓練數(shù)據(jù)通過改進的拉普拉斯特征映射算法映射到二維空間得到待識別行為的嵌入空間，并結(jié)合高維訓練數(shù)據(jù)建

3、立了先驗運動模型。
　　其次，采用粒子濾波算法對行為進行識別，并構(gòu)造了行為表示符號序列。通過重新設計粒子動態(tài)模型和粒子觀察模型，確定行為識別策略，并且在先驗運動模型的基礎上提出了基于粒子濾波算法的行為識別方法，然后根據(jù)行為識別結(jié)果構(gòu)造出了行為表示符號序列。
　　最后，提出了人體行為模式分析方法。以改進的對稱KL距離為相異性測度設計了層次聚類算法，對行為表示符號序列進行聚類。借助于聚類結(jié)果的信息熵，設計了行為模式度量指標(Be

4、havior Patterns Metrics，BPM)，并以此為基礎提出了人體行為模式分析方法。
　　實驗結(jié)果表明，本學位論文提出的基于粒子濾波算法的行為識別方法，對喝水、撓頭、伸展運動、鼓掌、撿東西等5個行為都有很好的識別效果，總體識別率達到了92.4％，驗證了本文提出的行為識別方法對重復動作、遮擋、以及動作幅度和速度都具有明顯差異的行為仍能獲得較好的識別率。同時，以行為識別結(jié)果為基礎的人體行為模式聚類分析方法可以有效地分析出