基于骨骼帧的人体动作识别算法研究

摘要

随着人机交互、虚拟现实、视频智能监控、医疗诊断和监护以及运动分析等诸多领域的不断发展，人体行为识别技术也得到迅猛的发展，成为计算机视觉领域的研究热点。现如今拥有十分广阔的应用前景和非常可观的经济价值。本文利用人体骨骼帧数据，研究了人体行为表示方法和人体行为识别问题，主要工作如下： 1）在人体行为识别中，如何构建精准的行为描述特征向量是研究的关键。本文利用Kinect获取人体20个主要关节点的三维坐标，利用关节点坐标对人体骨骼进行建模，构造人体结构向量，然后取向量间的向量角（关节角度）作为人体行为特征向量元素，进行行为描述。 2）重点研究了基于动态时间规整算法（dynamic time warping，DTW）和改进的BP（Back Propagation）神经网络的人体行为识别算法。对于DTW算法，由于在算法中选用不同的距离算法进行行为识别会产生不同的结果，因此本文分别选用了具有代表性的欧式距离、马氏距离和卡方检验法进行研究。对于BP神经网络，为了提高网络的效率，加强网络的泛化能力，本文利用两种方法优化了实验中的训练数据。首先根据人体标准比例对垃圾数据进行剔除，然后用因子分析法对训练数据进行降维。 3）最后针对提出的两种人体行为识别方法，设计了不同的实验进行验证。通过大量的实验，研究了在DTW算法中三种距离算法的优缺点和适用性。针对改进的BP神经网络的实验，验证了了本文采用的改进的BP神经网络方法可以取得优良的识别效果。表明了本文采用的行为表示和两种行为识别方法的可行性和有效性。

目录

声明

第一章 绪论

1.1 研究背景与意义

1.2 行为描述方法研究现状

1.2.1基于低层图像信息的行为描述方法

1.2.2基于高层人体结构的行为描述方法

1.3行为识别算法研究现状

1.3.1基于模板匹配的行为识别算法

1.3.2基于状态空间的行为识别算法

1.4基于Kinect的动作识别研究现状

1.5本文研究主要内容

1.6论文章节安排

第二章 Kinect相关技术介绍

2.1 Kinect概述

2.2 Kinect中的深度数据

2.2.1 深度图像获取原理

2.2.2深度信息测量

2.3 Kinect中的骨骼数据

2.3.1 Kinect骨骼获取原理

2.3.2 骨骼数据处理

2.4 本章小结

第三章 基于骨骼帧的行为描述方法

3.1 常用行为描述方法

3.1.1光流特征

3.1.2时空特征

3.1.3深度特征

3.1.4剪影特征

3.2 人体向量构造

3.3 特征向量提取

3.4 本章小结

第四章 人体动作识别算法研究

4.1 DTW算法

4.2 DTW算法中的距离算法

4.2.1欧式距离(Euclidean Distance)

4.2.2 马氏距离(Mahalanobis Distance)

4.2.3 卡方检验

4.3 BP神经网络

4.3.1 人工神经网络

4.3.2 BP神经网络

4.3.3 BP神经网络的泛化能力

4.4 BP神经网络算法优化

4.4.1垃圾数据剔除

4.4.2降低样本维度

4.5本章小结

第五章 实验及结果分析

5.1 DTW算法实验

5.1.1实验设计

5.1.2实验结果分析

5.2 改进的BP神经网络算法实验

5.2.1实验设计

5.2.2实验结果分析

5.3本章小结

第六章 总结与展望

6.1 工作总结

6.2 论文展望

参考文献

攻读学位期间所取得的相关科研成果

致谢