基于Kinect骨骼信息的人体动作识别与行为分析

摘要

人体动作识别是人工智能研究的一个重要领域，在体感游戏、视频监控、军事训练、医疗卫生等多个领域得到了广泛的应用。基于计算机视觉的人体动作识别一般都是通过对二维彩色图像进行处理获得动作信息，这样易受环境与光照影响，因此本文应用微软公司开发的Kinect传感器获得深度图像，经过处理得到骨骼关节点的三维坐标，依据人体结构向量进行特征提取，针对人体的静态姿势与动作行为的识别展开了研究，主要工作如下:
　　在了解Kinect传感器的基本构造与性能的基础上，研究了深度信息与人体骨骼信息获取的原理与感知范围，确定了建立静态姿势骨骼数据库的条件，同时研究各个行为数据库的选取。
　　根据姿势数据库与行为数据库获得人体各个关节点的三维骨骼信息，识别人体动作的基础是提取骨骼信息中的特征值，本文基于Kinect获得的三维骨骼信息构造了人体结构向量，以结构向量间的角度与向量模比值的组合作为描述人体姿势与行为的特征向量，这样获得的特征向量具有平移与缩放不变性，且能方便地描述出完整动作信息，十分适用于人体动作识别。
　　本文分别对人体动作的静态姿势与动态行为进行识别，首先使用姿势数据库训练神经网络，将待识别动作放入训练好的神经网络进行分类识别，并用遗传算法优化神经网络提高识别率，然后基于动态时间规整算法将待识别动作与行为数据库中的动作相匹配，得到识别结果并使用改进的动态时间规整算法降低识别时间。
　　通过系统测试表明本文采用的遗传算法优化的神经网络与改进的动态时间规整算法对识别姿势与行为有较好的效果，说明了本文特征向量选取与动作识别方法的可行性，研究工作具有一定的应用前景与学术价值。

目录

声明

摘要

第1章绪论

1．1论文的研究背景和意义

1．2国内外现状与发展趋势

1．2．1行为表示方法

1．2．2动作识别方法

1．3人体动作识别存在问题及发展趋势

1．4主要研究内容及文章结构

第2章Kinect传感器与数据获取

2．1 Kinect传感器

2．2深度信息获取原理

2．3骨骼信息获取原理

2．3．1背景分割

2．3．2人体部位分类

2．3．3识别关节

2．4本章小结

第3章数据库与特征提取

3．1 Florance 3D Action数据库

3．2数据库的扩充

3．3特征提取

3．3．1人体结构向量

3．3．2角度特征提取

3．3．3模比值特征提取

3．4本章小结

第4章基于遗传算法与神经网络的姿势识别

4．1基于BP神经网络的姿势识别

4．1．1 BP神经网络

4．1．2基于matlab的BP神经网络实现

4．1．3姿势识别结果

4．2基于遗传算法优化BP神经网络

4．2．1遗传算法

4．2．2遗传算法优化BP神经网络

4．2．3姿势识别结果

4．3本章小结

第5章基于动态时间规整的行为识别

5．1动态时间规整算法

5．2改进的动态时间规整算法

5．3实验结果分析

5．4本章小结

结论

参考文献

攻读硕士期间发表的论文和取得的科研成果

致谢