人體行為識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)備受矚目的研究課題,許多專家學(xué)者對(duì)此進(jìn)行了大量的研究。因深度圖像不受光照變化等因素的影響,一些基于深度數(shù)據(jù)進(jìn)行人體行為識(shí)別的方法相繼被提出。如何對(duì)動(dòng)作視頻序列進(jìn)行全面有效地表示是動(dòng)作識(shí)別的研究重點(diǎn),針對(duì)該問(wèn)題本文對(duì)現(xiàn)有動(dòng)作表示方法進(jìn)行改進(jìn),提出了以下兩種人體行為識(shí)別算法,具體內(nèi)容如下:為了獲得不同視角下的動(dòng)作信息,提出了多視角深度運(yùn)動(dòng)圖（多視角DMM）的人體行為識(shí)別算法。首先將一個(gè)動(dòng)作樣本的深度圖像序列生成運(yùn)動(dòng)歷史點(diǎn)云（MHPC）,利用旋轉(zhuǎn)矩陣將MHPC繞Y軸旋轉(zhuǎn)一定角度。將MHPC和旋轉(zhuǎn)后的MHPC投影到笛卡爾坐標(biāo)平面上,投影后的點(diǎn)云分布更加稠密,由重疊點(diǎn)的空間坐標(biāo)計(jì)算多視角DMM。然后利用方向梯度直方圖（HOG）對(duì)多視角DMM進(jìn)行特征提取,最后采用支持向量機(jī)（SVM）完成分類識(shí)別。多視角DMM增加了更多視角下的動(dòng)作信息,但是動(dòng)作執(zhí)行過(guò)程中的時(shí)間信息利用不充分。為了解決這個(gè)問(wèn)題,提出了時(shí)空能量圖的人體行為識(shí)別算法。首先將一個(gè)動(dòng)作樣本的深度圖像序列生成MHPC并將其旋轉(zhuǎn),然后將MHPC和旋轉(zhuǎn)后的MHPC投影到笛卡爾坐標(biāo)平面上,由重疊點(diǎn)的空間坐標(biāo)和時(shí)間坐標(biāo)... 

【文章來(lái)源】：中國(guó)民航大學(xué)天津市

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

人體動(dòng)作識(shí)別應(yīng)用

圖 1-2 深度圖像效果圖模人體動(dòng)作模型，具體實(shí)現(xiàn)方式 人體骨骼關(guān)節(jié)對(duì)動(dòng)作進(jìn)行表示、個(gè)骨架序列用最接近的關(guān)鍵姿態(tài)何描述子和關(guān)鍵姿態(tài)描述子。X進(jìn)行表示，采用離散隱馬爾科夫提取特征，依據(jù)特征值的變化自位和噪聲問(wèn)題。Wang 等人[12]提出由一組相近但并非相鄰的有序的姿性，對(duì)動(dòng)作方式的差異具有魯棒別率，但是只有當(dāng)人在正向面對(duì)直立做動(dòng)作時(shí)得到的關(guān)節(jié)點(diǎn)會(huì)非

導(dǎo)致特征提取與表示方面存在著明顯的不同，這成為兩種識(shí)別方法產(chǎn)生本質(zhì)差異的關(guān)鍵因素[26]。本文主要研究基于深度數(shù)據(jù)的人體行為識(shí)別，將深度圖像序列轉(zhuǎn)變?yōu)?4 維的點(diǎn)云數(shù)據(jù)后，再通過(guò)投影生成不同的模型對(duì)動(dòng)作樣本進(jìn)行表示，接著進(jìn)行特征提取與分類識(shí)別。下面將本文算法涉及到的相關(guān)基礎(chǔ)知識(shí)，比如利用 Kenect 攝像頭獲取深度圖像、HOG 特征、SVM 分類器等技術(shù)進(jìn)行詳細(xì)介紹。輸入視頻序列特征提取動(dòng)作分類識(shí)別圖 2-1 人體行為識(shí)別基本框架2.2 Kinect 傳感器2.2.1 深度成像原理

【參考文獻(xiàn)】：
期刊論文
[1]基于深度圖像的人體行為識(shí)別綜述[J]. 孫彬,孔德慧,張?chǎng)⿻?賈文浩.  北京工業(yè)大學(xué)學(xué)報(bào). 2018(10)
[2]自適應(yīng)骨骼中心的人體行為識(shí)別算法[J]. 冉憲宇,劉凱,李光,丁文文,陳斌.  中國(guó)圖象圖形學(xué)報(bào). 2018(04)
[3]基于KELM決策融合的語(yǔ)音情感識(shí)別[J]. 張雪英,張樂(lè),孫穎,張衛(wèi).  電子技術(shù)應(yīng)用. 2017(08)
[4]局部分布信息增強(qiáng)的視覺(jué)單詞描述與動(dòng)作識(shí)別[J]. 張良,魯夢(mèng)夢(mèng),姜華.  電子與信息學(xué)報(bào). 2016(03)
[5]基于深度信息的人體動(dòng)作識(shí)別研究綜述[J]. 陳萬(wàn)軍,張二虎.  西安理工大學(xué)學(xué)報(bào). 2015(03)
[6]HOG在人臉識(shí)別中的性能研究[J]. 向征,譚恒良,馬爭(zhēng)鳴.  計(jì)算機(jī)工程. 2012(15)

碩士論文
[1]基于深度信息的人體行為識(shí)別方法研究[D]. 趙曉葉.江南大學(xué) 2018
[2]基于深度信息的行為表示與識(shí)別[D]. 劉文評(píng).中國(guó)民航大學(xué) 2017
[3]基于點(diǎn)云配準(zhǔn)的3D物體檢測(cè)與定位[D]. 張凱霖.中國(guó)民航大學(xué) 2017
[4]基于深度圖像數(shù)據(jù)的人體動(dòng)作識(shí)別[D]. 樊軍博.鄭州大學(xué) 2017
[5]基于深度序列的人體行為識(shí)別研究[D]. 吳貢冰.湘潭大學(xué) 2016
[6]Kinect深度相機(jī)標(biāo)定算法研究[D]. 李雅娜.西安電子科技大學(xué) 2014



本文編號(hào)：3129479