基于深度圖像數(shù)據(jù)的人體動作識別.pdf

1、人體動作和行為識別在計算機視覺和模式識別等多個交叉領(lǐng)域一直以來都是一個熱門的研究課題。它有廣闊的應(yīng)用前景如人機交互、智能家居、智能監(jiān)控。早期的人體動作識別研究主要針對彩色可見光攝像機錄制的視頻數(shù)據(jù)，在該數(shù)據(jù)上提出了許多經(jīng)典的算法。但是由于傳統(tǒng)數(shù)據(jù)本身的局限性，這些算法容易受到光照變化等因素的影響。隨著傳感技術(shù)的發(fā)展，廉價的深度攝像機比如 Kinect的出現(xiàn)，為研究者解決人體動作識別中的難題提供了新的思路。深度數(shù)據(jù)不僅不容易受光照變化等因

2、素的影響，還能額外提供場景的三維信息，這使得越來越多的學(xué)者轉(zhuǎn)向基于深度數(shù)據(jù)的動作識別算法的研究。
　　本論文針對從深度圖像數(shù)據(jù)中識別人體動作進行研究，實現(xiàn)了多種有效的人體動作識別算法，具體內(nèi)容如下：
　　第一，在深度圖像的基礎(chǔ)上，提出了一種動作特征描述方法。首先利用自適應(yīng)深度運動圖能量來劃分時間動作序列，通過分析不同子時間段動作的姿態(tài)來獲得運動能量模型（MEM），并利用局部二值模式（LBP）對其進行編碼，得到 MEM-LBP

3、描述符來表示動作特征，經(jīng)主成分分析（PCA）降維后，送入l2范數(shù)協(xié)同表示分類器中進行識別。在MSR Action3D和MSR Gesture3D數(shù)據(jù)庫上進行的測試分析與對比表明了該算法的有效性。
　　第二，引入特征融合方法，在 MEM的基礎(chǔ)上，提取梯度方向直方圖描述子（HOG）得到新的特征描述符，將其與 MEM-LBP特征描述符進行特征層融合和決策層融合，并引入核極限學(xué)習(xí)機（KELM）對動作分類。在數(shù)據(jù)庫上的測試實驗結(jié)果表明兩種融