基于深度数据特征融合的人体动作识别研究

发布时间：2022-08-23 12:58

　　人体动作识别在计算机视觉、模式识别等领域中是一个热点问题,消费级深度传感器（如Microsoft Kinect）的出现和普及,使得利用深度数据进行人体动作识别研究受到了广泛的重视。深度数据对光照的变化、背景的杂乱以及视点的变化具有一定的鲁棒性,弥补了传统人体动作识别方法的不足。这一优势给人体动作识别的研究提供了很多新思路。尽管许多基于深度数据的动作描述符已经取得了可观的效果,但如何提取人体动作深度数据的特征还是一个有待解决的开放性问题;动作特征相对来说数据复杂、维度较高,设计一个高效的分类算法也是一个亟待研究的问题;对于目前广泛采用的利用深度学习技术自动学习特征的方案来说,由于受到样本数量的限制,还未能在人体动作识别领域取得很好的结果。面向这些问题,本文在前人的相关研究基础上提出了两种基于不同维度的深度数据特征融合的人体动作识别方法,分别从3D深度数据和4D深度数据出发,利用不同特征之间的互补性进行有效地特征融合,并探索更适合人体动作识别的分类方法,从而实现更好的识别效果。本文的主要工作如下:第一,针对基于深度数据的人体动作识别的相关研究进行整理与分析,并从人体动作深度数据的特征提取、... 

【文章页数】：109 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1. 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 人体动作深度数据的特征提取
        1.2.2 人体动作特征的分类方法
        1.2.3 基于特征融合的人体动作识别方法
    1.3 面临的问题与挑战
    1.4 论文主要研究内容与组织结构
        1.4.1 论文研究内容与创新点
        1.4.2 论文的组织结构
2. 基于深度数据的人体动作识别关键技术
    2.1 引言
    2.2 深度数据及预处理
        2.2.1 深度图像数据
        2.2.2 骨骼节点数据
        2.2.3 数据预处理
    2.3 人体动作常用的特征表示
        2.3.1 3D轮廓特征
        2.3.2 时空兴趣点特征
        2.3.3 骨架关节点特征
        2.3.4 点云信息特征
    2.4 人体动作识别的分类方法
        2.4.1 动态时间规整算法
        2.4.2 支持向量机
        2.4.3 K-近邻法
        2.4.4 极限学习机
        2.4.5 Softmax算法
    2.5 本章小节
3. 基于3D深度数据特征融合的人体动作识别
    3.1 引言
    3.2 基于三维深度数据特征融合的系统识别框架
    3.3 三维深度数据的特征提取
        3.3.1 基于小波变换的轮廓特征
        3.3.2 时空兴趣点特征
        3.3.3 骨骼数据特征
    3.4 特征融合与处理
    3.5 实验结果
        3.5.1 实验数据库
        3.5.2 实验设计
        3.5.3 实验结果与分析
    3.6 本章小结
4. 基于4D深度数据特征融合的人体动作识别
    4.1 引言
    4.2 基于4D法线特征融合的系统识别框架
    4.3 4D法线的特征提取与融合
        4.3.1 4D曲面法线方向特征
        4.3.2 超级法线向量特征
        4.3.3 4D深度特征的融合
    4.4 基于矩阵分解的快速宽度学习系统
    4.5 实验结果与分析
        4.5.1 实验数据库
        4.5.2 实验设置
        4.5.3 实验结果与分析
    4.6 本章小结
5. 总结与展望
    5.1 研究总结
    5.2 研究不足与展望
参考文献
在校期间发表的论文、科研成果等
致谢


【参考文献】：
期刊论文
[1]基于3D人体骨架的动作识别[J]. 张友梅,常发亮,刘洪彬.  电子学报. 2017(04)
[2]基于Kinect手势识别的应用与研究[J]. 于泽升,崔文华,史添玮.  计算机科学. 2016(S2)
[3]基于Kinect的人体动作识别方法[J]. 辛义忠,邢志飞.  计算机工程与设计. 2016(04)
[4]基于Kinect深度信息的实时三维重建和滤波算法研究[J]. 陈晓明,蒋乐天,应忍冬.  计算机应用研究. 2013(04)

博士论文
[1]融合深度数据的人机交互手势识别研究[D]. 张凯.华中师范大学 2013

硕士论文
[1]基于RGB-D深度信息的手势识别研究[D]. 王艺.西华大学 2015



本文编号：3677808