人體行為識(shí)別是一個(gè)新興并且具有挑戰(zhàn)性的研究領(lǐng)域,在人機(jī)交互、視頻監(jiān)控、智能醫(yī)療等領(lǐng)域具有巨大的使用價(jià)值。傳統(tǒng)的人體行為識(shí)別大都是基于2D的視頻和圖像,識(shí)別效果不佳。隨著深度傳感器等3D技術(shù)的發(fā)展,能很好地減少識(shí)別過程中光照變化和環(huán)境背景等因素的影響,使得人體行為識(shí)別取得較好的識(shí)別效果。本文通過對(duì)3D骨骼數(shù)據(jù)的特征提取方式進(jìn)行深入研究,提出一種基于混合局部特征的人體行為識(shí)別方法;同時(shí),在此方法流程基礎(chǔ)上對(duì)VLAD算法進(jìn)行改進(jìn),提出一種基于改進(jìn)VLAD的人體行為識(shí)別方法,并通過實(shí)驗(yàn)驗(yàn)證其有效性;然后使用此方法設(shè)計(jì)并實(shí)現(xiàn)一個(gè)人體行為識(shí)別系統(tǒng)。主要研究工作如下:1.針對(duì)現(xiàn)有人體行為識(shí)別方法特征表達(dá)準(zhǔn)確性不高的缺點(diǎn),提出一種基于混合局部特征的人體行為識(shí)別方法。該方法從局部特征提取的方式上進(jìn)行改進(jìn),從骨骼關(guān)節(jié)點(diǎn)中提取位移矢量、相對(duì)位置和關(guān)節(jié)夾角等局部特征構(gòu)建混合局部特征來描述不同種類的行為,不僅很好地描述行為的運(yùn)動(dòng)信息,同時(shí)保留判別能力較強(qiáng)的信息,去除多余的冗余信息。2.針對(duì)傳統(tǒng)VLAD算法存在只包含一階均值信息,很難完整地描述行為特征分布的問題,提出一種改進(jìn)的VLAD算法。該算法將特征向量關(guān)聯(lián)到...

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 人體行為識(shí)別研究現(xiàn)狀及研究難點(diǎn)
        1.2.1 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 研究難點(diǎn)
    1.3 本文研究?jī)?nèi)容和組織結(jié)構(gòu)
        1.3.1 本文主要研究?jī)?nèi)容
        1.3.2 章節(jié)安排
第2章 相關(guān)理論及關(guān)鍵技術(shù)
    2.1 人體行為識(shí)別框架
    2.2 常用人體行為識(shí)別方法
        2.2.1 基于RGB數(shù)據(jù)的人體行為識(shí)別方法
        2.2.2 基于深度數(shù)據(jù)的人體行為識(shí)別方法
        2.2.3 基于3D骨骼數(shù)據(jù)的人體行為識(shí)別方法
    2.3 人體3D骨骼數(shù)據(jù)的獲取方法
        2.3.1 Kinect傳感器的原理
        2.3.2 3D骨骼數(shù)據(jù)的獲取
        2.3.3 3D骨骼數(shù)據(jù)的去噪
    2.4 人體行為識(shí)別常用特征聚合方法
        2.4.1 視覺詞袋模型
        2.4.2 Fisher向量模型
        2.4.3 局部聚合描述符
    2.5 人體行為識(shí)別常用分類算法
        2.5.1 K近鄰算法
        2.5.2 支持向量機(jī)
    2.6 本章小結(jié)
第3章 基于混合局部特征的人體行為識(shí)別方法
    3.1 3D骨骼數(shù)據(jù)的預(yù)處理
    3.2 混合局部特征提取方式的改進(jìn)方法
        3.2.1 提取位移矢量特征
        3.2.2 提取相對(duì)位置特征
        3.2.3 提取關(guān)節(jié)夾角特征
    3.3 改進(jìn)的人體行為識(shí)別流程
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 實(shí)驗(yàn)環(huán)境和實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 實(shí)驗(yàn)設(shè)置
        3.4.3 實(shí)驗(yàn)結(jié)果及分析
    3.5 本章小結(jié)
第4章 基于改進(jìn)VLAD的人體行為識(shí)別方法
    4.1 傳統(tǒng)VLAD算法存在的問題
    4.2 改進(jìn)的VLAD算法
    4.3 改進(jìn)的人體行為識(shí)別流程
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 實(shí)驗(yàn)結(jié)果及分析
    4.5 本章小結(jié)
第5章 人體行為識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
    5.1 開發(fā)工具
    5.2 系統(tǒng)設(shè)計(jì)
        5.2.1 需求分析
        5.2.2 系統(tǒng)總體架構(gòu)
        5.2.3 系統(tǒng)功能模塊劃分
    5.3 系統(tǒng)實(shí)現(xiàn)
    5.4 本章小結(jié)
第6章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 未來展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果



本文編號(hào)：3950491