基于深度圖像數據的人體動作識別.pdf

1、人體動作和行為識別在計算機視覺和模式識別等多個交叉領域一直以來都是一個熱門的研究課題。它有廣闊的應用前景如人機交互、智能家居、智能監(jiān)控。早期的人體動作識別研究主要針對彩色可見光攝像機錄制的視頻數據，在該數據上提出了許多經典的算法。但是由于傳統數據本身的局限性，這些算法容易受到光照變化等因素的影響。隨著傳感技術的發(fā)展，廉價的深度攝像機比如 Kinect的出現，為研究者解決人體動作識別中的難題提供了新的思路。深度數據不僅不容易受光照變化等因

2、素的影響，還能額外提供場景的三維信息，這使得越來越多的學者轉向基于深度數據的動作識別算法的研究。
　　本論文針對從深度圖像數據中識別人體動作進行研究，實現了多種有效的人體動作識別算法，具體內容如下：
　　第一，在深度圖像的基礎上，提出了一種動作特征描述方法。首先利用自適應深度運動圖能量來劃分時間動作序列，通過分析不同子時間段動作的姿態(tài)來獲得運動能量模型（MEM），并利用局部二值模式（LBP）對其進行編碼，得到 MEM-LBP

3、描述符來表示動作特征，經主成分分析（PCA）降維后，送入l2范數協同表示分類器中進行識別。在MSR Action3D和MSR Gesture3D數據庫上進行的測試分析與對比表明了該算法的有效性。
　　第二，引入特征融合方法，在 MEM的基礎上，提取梯度方向直方圖描述子（HOG）得到新的特征描述符，將其與 MEM-LBP特征描述符進行特征層融合和決策層融合，并引入核極限學習機（KELM）對動作分類。在數據庫上的測試實驗結果表明兩種融