基于高鲁棒性特征的人体动作识别方法研究

发布时间：2017-06-07 19:05

  本文关键词：基于高鲁棒性特征的人体动作识别方法研究，，由笔耕文化传播整理发布。

【摘要】：随着互联网时代的到来和科学技术的不断进步,计算机逐渐可以像人一样对视频信息进行获取、传输、处理、存储和理解。因此,基于视频的人体动作识别方法研究一直是计算机视觉领域的一个研究热点,并且在人机交互、医疗看护、智能监控、视频检索、以及虚拟现实等多个方面都具有广阔的应用前景。人体动作识别由于发展迅速已经取得了一些重要的研究成果和可行的应用技术。其中,有效特征可分为全局特征和局部特征;分类方法则包含支持向量机,隐马尔可夫模型和条件随机场。在整个算法流程中,特征选取的好坏会直接影响整个系统的性能。然而,传统的全局特征通常要通过背景差分和目标跟踪等方法获得兴趣区域,利用轮廓、边缘或者光流等特征进行描述,所以计算复杂度较高,并且对光照、噪声和部分遮挡十分敏感：即使将传统的局部特征建立在兴趣点检测的基础上,虽然鲁棒性相对可以提高,但是以局部特征表达整体特性的过程必然会带来信息的丢失,此外,传统局部特征表达不够直观,也很难做到精确定位。本文基于图像识别领域物体检测的BING特征,加入时域的梯度信息,提出一种新的二进制加速时空标准梯度特征(ST-BING),并成功将其应用在视频中的人体动作识别及定位中。ST-BING由空间标准梯度特征(S-BING)和时间标准梯度特征(T-BING)组成。其中,T-BING捕捉了不同类别动作的运动信息,S-BING记录了动作执行者的静态信息。由于ST-BING对视频的每一帧都进行多尺度滑动窗口处理,从而弱化了复杂背景对人体动作识别和定位的干扰,并且对不同动作具有一定的尺度不变性,增强了系统的鲁棒性。此外,本文将ST-BING用二进制近似表示,在特征提取,动作分类和测试环节都用位运算,极大降低了计算的复杂度。同时,本文在动作分类时使用级联SVM模型,与传统的SVM相比,该模型考虑了不同尺度的窗口包含动作的可能性差异,提高了动作识别的准确率。本文在UCF-Sports数据库上进行了实验,采用K次交叉验证法。其中,人体动作识别和定位的准确率分别达到了85.4%和44.8%,在目前主流的个人计算机硬件配置下对视频帧的识别和定位速度达到0.2秒／帧左右。实验结果证明了用ST-BING特征结合级联SVM模型来进行人体动作识别的可行性和有效性。
【关键词】：人体动作识别 特征提取 动作分类 ST-BING特征
【学位授予单位】：北京交通大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
【目录】：

• 致谢5-6
• 摘要6-7
• ABSTRACT7-11
• 1 引言11-20
• 1.1 论文背景与意义11-13
• 1.2 国内外研究现状13-18
• 1.2.1 特征表示14-16
• 1.2.2 动作分类16-17
• 1.2.3 现有方法分析17-18
• 1.3 研究内容与章节安排18-20
• 2 传统人体动作识别方法及理论20-31
• 2.1 特征提取20-25
• 2.1.1 光流法20-22
• 2.1.2 MeanShift和Camshift算法22-23
• 2.1.3 Hog3D特征23-25
• 2.2 动作分类25-28
• 2.2.1 隐马尔可夫模型25-27
• 2.2.2 条件随机场27-28
• 2.3 OPENCV介绍28-30
• 2.4 本章小结30-31
• 3 ST-NG特征提取31-38
• 3.1 静态特征31-33
• 3.2 动态特征33-35
• 3.3 ST-NG特征35-37
• 3.4 本章小结37-38
• 4 ST-BING特征及其二进制加速算法38-51
• 4.1 方法步骤38-41
• 4.2 使用ST-NG特征学习动作识别模型41-46
• 4.2.1 线性可分支持向量机41-42
• 4.2.2 非线性可分支持向量机42-44
• 4.2.3 线性不可分支持向量机44-46
• 4.3 ST-NG特征的二进制加速算法46-50
• 4.4 本章小结50-51
• 5 实验结果与分析51-58
• 5.1 实验设置51-53
• 5.1.1 实验数据库51-53
• 5.1.2 实验环境53
• 5.2 评价标准53-54
• 5.3 实验结果展示与分析54-57
• 5.4 本章小结57-58
• 6 总结与展望58-60
• 6.1 总结58-59
• 6.2 展望59-60
• 参考文献60-65
• 作者简历及攻读硕士期间取得的研究成果65-67
• 学位论文数据集67

【相似文献】

中国期刊全文数据库 前10条

1 胡雅琴;;动作识别技术及其发展[J];电视技术;2013年S2期

2 倪世宏,史忠科,谢川,王彦鸿;军用战机机动飞行动作识别知识库的建立[J];计算机仿真;2005年04期

3 程祥;;人体动作识别的研究[J];电脑知识与技术;2006年20期

4 黄飞跃;徐光yP;;视角无关的动作识别[J];软件学报;2008年07期

5 徐光yP;曹媛媛;;动作识别与行为理解综述[J];中国图象图形学报;2009年02期

6 黄丽鸿;高智勇;刘海华;;基于脉冲神经网络的人体动作识别[J];现代科学仪器;2012年02期

7 周艳青;王磊;;基于视觉的人体动作识别综述[J];山东轻工业学院学报(自然科学版);2012年01期

8 曹琨;;基于检索表的实时动作识别技术研究[J];中外企业家;2014年05期

9 刘博;安建成;;基于关键姿势的人体动作识别[J];电视技术;2014年05期

10 王燕;张绍武;凌志刚;潘泉;;基于图嵌入线性拓展方法的人体动作识别研究[J];计算机仿真;2008年10期

中国重要会议论文全文数据库 前7条

1 袁飞;程韬波;周松斌;肖先文;;基于加速度特征的可拓动作识别方法[A];广州市仪器仪表学会2009年学术年会论文集[C];2010年

2 黄飞跃;徐光yP;;自然的人体动作识别[A];第三届和谐人机环境联合学术会议（HHME2007）论文集[C];2007年

3 叶喜勇;陶霖密;王国建;邸慧军;;视角无关的人体躯干动作识别[A];第六届和谐人机环境联合学术会议（HHME2010)、第19届全国多媒体学术会议（NCMT2010）、第6届全国人机交互学术会议（CHCI2010）、第5届全国普适计算学术会议（PCC2010）论文集[C];2010年

4 黄艳欢;叶少珍;;连续动作分割综述[A];第十四届全国图象图形学学术会议论文集[C];2008年

5 董力赓;陶霖密;徐光yP;;头部姿态和动作的识别与理解[A];第三届和谐人机环境联合学术会议（HHME2007）论文集[C];2007年

6 朱岩;赵旭;刘允才;;基于稀疏编码和局部时空特征的人体动作识别[A];第十五届全国图象图形学学术会议论文集[C];2010年

7 席旭刚;金燕;朱海港;高云园;;基于小波包熵和支持向量机的手部肌电信号动作识别[A];2013年中国智能自动化学术会议论文集（第五分册）[C];2013年

中国重要报纸全文数据库 前2条

1 本报记者 陈丹;人与机器的“对话”[N];科技日报;2010年

2 ;凌空敲键盘？无线计算机手套问世[N];中国计算机报;2004年

中国博士学位论文全文数据库 前10条

1 谌先敢;现实环境下的人体动作识别[D];武汉大学;2012年

2 陈渊博;视频序列中的人体动作识别[D];北京邮电大学;2015年

3 刘翠微;视频中人的动作分析与理解[D];北京理工大学;2015年

4 陈萌;基于李代数高斯表示的动作识别方法研究[D];华中科技大学;2016年

5 李拟s

本文编号：429978