DMM-SIFT算子耦合SVM的深度图动作识别算法

发布时间：2019-10-11 22:22

【摘要】：针对目前深度图动作识别的低效性问题,提出基于多方向的尺度不变特征转换(scale invariant feature transform,SIFT)算子的深度图识别方法。将深度序列图依次映射到3个相互正交的平面上,累加相邻帧之间差的绝对值,得到深度运动图(depth motion map,DMM);在DMM上提取SIFT特征,得到3个平面上的DMM后,分别计算3个平面的SIFT特征,对其进行归一化处理;引入支持向量机(support vector machine,SVM),将归一化的特征描述嵌入到SVM中,进行深度动作模型的学习与测试。实验结果表明,相对于当前常用的动作识别算法,所提动作识别技术具有更高的检测精度与更强的鲁棒性,能够更有效地提取出深度图里的动作信息。
【图文】：

图２Ｆｏｒｗａｒｄｋｉｃｋ的深度运动

深度图,动作类型,数据集中,评价标准

计算机工程与设计２０１７年３．２实验使用的数据集为了验证文中提出的算法，本文使用的数据集是ＳＢＵＫｉｎｅｃｔＩｎｔｅｒａｃｔｉｏｎｓ。ＳＢＵ动作类型共有８个，每个动作类型由２１组人完成，该数据集的动作只采集上半身信息，同时在背景十分干净的环境下采集数据，采集数据时噪声影响很校将其中１５个作为训练样本，６个为测试样本。该数据集的图片样例如图４所示。图４ＳＢＵ数据集中的８种动作类型３．３评价标准为了验证识别算法的有效性，，本文的评价标准采用正确动作识别率。可以用下式表示ｐ＝ＴＮＴＮ＋ＦＮ×１００％（１１）其中，ｐ表示动作识别率，ＴＮ表示正确识别动作的个数，ＦＮ表示错误识别动作的个数。为了提高实验结果的可靠性，本文将随机选取３组不同的样本作为训练样本，剩下的则为测试样本。最后得到是识别率是３次实验结果的平均值。３．４实验结果和分析从表１中可以看到，本文提出的方法ＤＭＭ＿ＳＩＦＴ已经远远超过了ＤｅｎｓｅＴｒａｊｅｃｔｏｒｙ的方法，高出了１．１％，虽然ＤＴ方法能够取得很高的准确率，但是由于它不能很好地捕捉到深度图的特性，而本文提出的方法可以从３个方向对深度图里的动作进行细致地刻画，从而进行较为全面的特征表达。同时从表中也可以看出，相对于静态的深度图的识别，本文提出的方法在准确率上也有着很大的提升。表１特征描述方法的识别效果特征ＳＢＵ数据集Ａｃｃｕｒａｃｙ／％ＳＴＩＰ８６．３ＤｅｎｓｅＴｒａｊｅｃｔｏｒｙ（ＤＴ）９０．６ＤＭＭ８８．１ＤＭＭ＿ＳＩＦＴ９１．９同时为了更加细致地分析出
【作者单位】：四川工业科技学院电子信息工程学院;四川大学计算机学院;
【基金】：国家自然科学基金项目(61471250) 四川省科技攻关基金项目(2014GZX0146) 四川省自然科学基金重点基金项目(2014AJ072)
【分类号】：TP391.41

【相似文献】