基于深度数据的人体行为识别

发布时间：2021-04-10 10:32

　　人体行为识别是计算机视觉领域一个备受瞩目的研究课题,许多专家学者对此进行了大量的研究。因深度图像不受光照变化等因素的影响,一些基于深度数据进行人体行为识别的方法相继被提出。如何对动作视频序列进行全面有效地表示是动作识别的研究重点,针对该问题本文对现有动作表示方法进行改进,提出了以下两种人体行为识别算法,具体内容如下:为了获得不同视角下的动作信息,提出了多视角深度运动图（多视角DMM）的人体行为识别算法。首先将一个动作样本的深度图像序列生成运动历史点云（MHPC）,利用旋转矩阵将MHPC绕Y轴旋转一定角度。将MHPC和旋转后的MHPC投影到笛卡尔坐标平面上,投影后的点云分布更加稠密,由重叠点的空间坐标计算多视角DMM。然后利用方向梯度直方图（HOG）对多视角DMM进行特征提取,最后采用支持向量机（SVM）完成分类识别。多视角DMM增加了更多视角下的动作信息,但是动作执行过程中的时间信息利用不充分。为了解决这个问题,提出了时空能量图的人体行为识别算法。首先将一个动作样本的深度图像序列生成MHPC并将其旋转,然后将MHPC和旋转后的MHPC投影到笛卡尔坐标平面上,由重叠点的空间坐标和时间坐标... 

【文章来源】：中国民航大学天津市

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

人体动作识别应用

图 1-2 深度图像效果图模人体动作模型，具体实现方式 人体骨骼关节对动作进行表示、个骨架序列用最接近的关键姿态何描述子和关键姿态描述子。X进行表示，采用离散隐马尔科夫提取特征，依据特征值的变化自位和噪声问题。Wang 等人[12]提出由一组相近但并非相邻的有序的姿性，对动作方式的差异具有鲁棒别率，但是只有当人在正向面对直立做动作时得到的关节点会非

导致特征提取与表示方面存在着明显的不同，这成为两种识别方法产生本质差异的关键因素[26]。本文主要研究基于深度数据的人体行为识别，将深度图像序列转变为 4 维的点云数据后，再通过投影生成不同的模型对动作样本进行表示，接着进行特征提取与分类识别。下面将本文算法涉及到的相关基础知识，比如利用 Kenect 摄像头获取深度图像、HOG 特征、SVM 分类器等技术进行详细介绍。输入视频序列特征提取动作分类识别图 2-1 人体行为识别基本框架2.2 Kinect 传感器2.2.1 深度成像原理

【参考文献】：
期刊论文
[1]基于深度图像的人体行为识别综述[J]. 孙彬,孔德慧,张雯晖,贾文浩.  北京工业大学学报. 2018(10)
[2]自适应骨骼中心的人体行为识别算法[J]. 冉宪宇,刘凯,李光,丁文文,陈斌.  中国图象图形学报. 2018(04)
[3]基于KELM决策融合的语音情感识别[J]. 张雪英,张乐,孙颖,张卫.  电子技术应用. 2017(08)
[4]局部分布信息增强的视觉单词描述与动作识别[J]. 张良,鲁梦梦,姜华.  电子与信息学报. 2016(03)
[5]基于深度信息的人体动作识别研究综述[J]. 陈万军,张二虎.  西安理工大学学报. 2015(03)
[6]HOG在人脸识别中的性能研究[J]. 向征,谭恒良,马争鸣.  计算机工程. 2012(15)

硕士论文
[1]基于深度信息的人体行为识别方法研究[D]. 赵晓叶.江南大学 2018
[2]基于深度信息的行为表示与识别[D]. 刘文评.中国民航大学 2017
[3]基于点云配准的3D物体检测与定位[D]. 张凯霖.中国民航大学 2017
[4]基于深度图像数据的人体动作识别[D]. 樊军博.郑州大学 2017
[5]基于深度序列的人体行为识别研究[D]. 吴贡冰.湘潭大学 2016
[6]Kinect深度相机标定算法研究[D]. 李雅娜.西安电子科技大学 2014



本文编号：3129479