針對舞蹈視頻與動作識別技術(shù)相結(jié)合的問題,文中研究探討一種基于計算機視覺的舞蹈視頻動作識別技術(shù)。該技術(shù)首先將獲取到的舞蹈視頻圖像進行灰度化、背景消除和濾波去噪等預處理操作后,得到該視頻序列中人物的動作特征。然后利用支持向量機SVM從對象特征樣本集中抽取一部分數(shù)據(jù)樣本用于模型的學習訓練,訓練完成后再對其他部分進行動作分類識別。KTH動作數(shù)據(jù)庫與實拍舞蹈視頻的仿真測試結(jié)果說明,該方法能夠迅速、有效地識別出舞蹈視頻中所出現(xiàn)的動作,且平均識別準確率在85%以上,驗證了該技術(shù)應用于舞蹈動作識別中的可行性。 

【文章來源】：電子設計工程. 2020,28(07)

【文章頁數(shù)】：5 頁

【部分圖文】：

計算機視覺系統(tǒng)

按照Marr教授所提出的計算視覺理論，計算機視覺可分為3個等級，分別為初級視覺、中級視覺和高級視覺，如圖2所示。其中，初級視覺是對傳入的原始圖像利用相關(guān)技術(shù)與算法進行處理。同時提取圖像中所包含的有效信息包括：圖像去噪、圖像灰度化、圖像濾波以及圖像邊界、顏色等特征提取[10]。此等級為計算機視覺研究中的初級階段；中級視覺指利用圖像場景，通過立體視覺和測距成像等技術(shù)，重建圖像場景的深度和物體的輪廓，由于此階段所獲得的信息是在初級視覺的基礎上添加深度信息所以稱為2.5D描述[11]；高級視覺則是以物體作為中心建立相應的坐標系，恢復、識別和表示物體的三維信息。此階段中所獲得和利用的是物體的三維信息，稱之為3D描述。

灰度化后圖像

【參考文獻】：
期刊論文
[1]基于深度學習的實時人體動作識別監(jiān)控方法[J]. 劉安祺,張帥,常馨芳,陳炳坤.  黑龍江科學. 2018(20)
[2]基于改進的深度神經(jīng)網(wǎng)絡的人體動作識別模型[J]. 何冰倩,魏維,張斌,高聯(lián)欣,宋巖貝.  計算機應用研究. 2019(10)
[3]一種基于MHI和支持向量機的人體動作識別方法分析[J]. 馬新錄.  電子設計工程. 2018(17)
[4]基于深度學習與運動信息的動作識別算法[J]. 吳志攀,鄭中韋.  計算機工程與設計. 2018(08)
[5]舞蹈視頻圖像中動作識別方法研究[J]. 李紅竹.  電視技術(shù). 2018(07)
[6]基于計算機視覺的運動員錯誤動作識別模型構(gòu)建及仿真[J]. 高亮.  微型電腦應用. 2018(06)
[7]基于視頻深度學習的時空雙流人物動作識別模型[J]. 楊天明,陳志,岳文靜.  計算機應用. 2018(03)
[8]基于視覺的體感交互人體動作識別系統(tǒng)研究[J]. 劉翔宇,楊越佳,胡令昊,李沐鑫,張健.  電腦知識與技術(shù). 2018(01)
[9]基于動作標準序列的3D視頻人體動作識別[J]. 聶勇,張鵬,馮輝,楊濤,胡波.  太赫茲科學與電子信息學報. 2017(05)
[10]基于判別性區(qū)域提取的視頻人體動作識別方法[J]. 段立娟,郭亞楠,喬元華,李凱.  北京工業(yè)大學學報. 2017(10)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡與視頻復合特征的人體動作識別[D]. 張董.北京印刷學院 2018
[2]面向人機交互的三維人體動作分析關(guān)鍵技術(shù)研究與應用[D]. 趙思蕊.西南科技大學 2017
[3]基于視覺的人機交互動作識別研究與DSP實現(xiàn)[D]. 趙樹言.太原理工大學 2016
[4]基于Kinect的人體姿勢識別方法在舞蹈訓練中的應用[D]. 李昕迪.黑龍江大學 2015
[5]基于Kinect深度圖像人體動作識別研究[D]. 李靖意.北京郵電大學 2015



本文編號：2997711