基于李群特征和深度学习的人体动作识别研究

发布时间：2020-08-06 08:36

【摘要】：作为计算机视觉、人工智能以及模式识别领域中的重要一员,人体动作识别广受关注,其应用涉及视频监控、人机交互、医疗康复等领域。然而,由于人体动作的多变性、时空复杂性等问题的存在,人体动作识别研究仍极具挑战性。本文提取人体骨骼信息进行研究,提出了一种基于李群特征和深度学习的人体动作识别方法。人体骨骼信息可较好克服如光照、人体体型变化等外界因素的影响;李群流行结构可较好处理人体运动数据的多样性和复杂性问题;深度学习用于高维数据处理、特征学习及分类。具体地,本文利用李群骨骼表示模型对人体动作骨骼数据进行建模,并用卷积神经网络对提取的动作特征进行学习、分类。最后,对人体动作识别在虚拟学习环境中的自然交互应用进行了研究。本文主要研究内容如下:首先,研究了基于Kinect的人体骨骼信息提取关键技术。分析了Kinect体感设备的基本工作原理、人体动作数据的采集过程及人体骨骼信息的获取方法。其次,研究了基于李群骨骼表示模型的人体动作特征提取方法。基于骨骼信息,利用人体不同身体部位间的相对三维几何关系进行人体动作建模,将人体动作骨架序列表示为李群流行空间中的曲线,然后将李群空间中的曲线映射到李代数空间,完成人体动作特征的提取。再次,研究了基于卷积神经网络的人体动作识别方法。由于采用李群骨骼表示模型提取的李群特征,其数据维度较高,为了能对高维数据进行处理,同时又能降低识别过程的复杂度,加快计算速度,用卷积神经网络进行了特征学习和分类。分别在数据库Florence3D-Action、MSR Action-Pairs和UT Kinect-Action上进行了测试,本文方法分别取得了93.00%、93.68%和97.96%的平均识别率,超过目前部分关注度较高的研究,体现了较好的准确性和鲁棒性。最后,为验证本文方法较好的库移植能力和鲁棒性,在实验室自建的人体动作数据库上进行了方法的测试,取得了97.26%的平均识别率。同时,本文基于人体动作识别,研究了虚拟学习环境中虚拟角色的自然交互应用,四名测试者分别对本文虚拟人机交互系统进行了测试,最终的测试结果表明该系统具有灵活性和稳定性。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：O152.5;TP18
【图文】：

深度图像,深度图像

硕士学位论文第 2 章人体动作识别与运动信息ect 深度图像获取像又称作距离图像，它提供的是被测试者与 Kinect 设备间进行 3D 反映，距离的单位以毫米(mm)计数，最大距离 409m-3810mm。当 Kinect 进行外界深度图像提取时，超出其可别，这部分的值设置为 0，通常被过滤掉；在可视范围内时景分割，根据距离关系找到目标可能存在的区域，进而进行取到人体深度图像的完整轮廓。

身体部位,关节点,肢体,骨骼

学位论文第 3 章基于李群骨骼表示模型的人特征提取取的人体骨架包含 20 个关节点，19 个骨骼肢体的人体骨骼信息可以较好克服光照变化等外界环运动信息，而且数据量少，易于储存，极利于用体骨骼信息的李群骨骼表示模型，其基本原理为)表示，其中1{ , , }NV v v表示人体关节集合，E集合，其中N 为关节点数量，M 为刚性肢体数量的起始点和终止点，nl 表示肢体的长度。

折线图,识别率,折线图,迭代次数

图 4.7 识别率随迭代次数变化的折线图表 4.2 Florence3D-Action 数据库上的不同人体动作识别方法识别效果比较人体动作识别方法 Florence3D-Action 数据库上的平均识别率(%)L.Seidenari[54]82.00%M.Devanne[32]87.04%R.Anirudh[28]89.67%R.Vemulapalli[30]90.88%本文方法 93.00%表 4.2 分析可知，本文的人体动作识别方法能够取得较好的动作识别于其他一些比较流行的动作识别方法，本文的效果更佳；特别地，nari 等人的方法，本文方法的平均识别率比其高出了 11%；而 R.Ve用了李群骨骼表示和支持向量机(SVM)相结合的方法进行人体动作识0.88%的平均识别率，与本文方法相比，本文方法不仅取得了更好的识

【相似文献】