基于Kinect的人体行为表示和识别方法

摘要

伴随着信息科技的迅猛发展，利用传统的二维图像信息进行人体行为识别的劣势越加明显，对现实空间中三维场景下的识别逐渐成为了人体行为识别领域研究的主导方向。Kinect体感设备因具有卓越的深度感知能力和人体三维关节点识别能力，在虚拟现实、智能家居、行为分析等领域有着广泛的应用。随着大数据和人工智能技术的兴起，着重于行为模型深度调优的传统行为识别算法存在着数据存储空间不足、识别效率不高以及扩展性不强等问题。Spark基于内存的弹性分布式数据集模型可显著提高数据计算效率，尤其针对迭代运算的数据密集型算法具有极大的优势。因此本文研究了如何利用Kinect获取的空间中人体关节点信息进行人体行为表示，并在此基础上结合Spark MLlib算法库进行了人体行为识别的探索。 为了行为表示和识别方法研究工作的有效开展，搭建了以Kinect作为关节点信息输入媒介，分布式文件系统HDFS作为数据存储平台，基于内存计算的Spark框架作为计算基础的完整实验系统平台。 通过实验分析了原始关节点数据、角度特征与距离特征在表达人体行为方面的可行性。基于角度特征构建了静态行为表示方法。分析动态行为过程中各静态帧之间角度特征变化序列，利用余弦相似度的动态行为关键帧提取方法获取动态行为过程中的关键帧，提出了基于关键帧角度特征变化序列的动态行为表示方法。 通过自建行为数据集结合Spark MLlib算法库的随机森林算法对行为识别进行建模实验，实验表明该算法模型对10种静态行为识别准确率高达99.7%，对10种动态行为准确率也达到了91.8%。为了提升随机森林行为识别模型的泛化能力，本文借鉴随机森林的集成学习思想，利用了Spark平台下算法的并行且快速迭代的特性，提出了一种多重随机森林的加权大数投票算法。实验结果表明，随着基分类器个数的增加，动态行为分类准确率显著增高，基分类器个数在5个以上行为识别准确率趋于稳定且高达95%以上。利用MSR Daily 3D数据集验证了本文的行为表示和识别方法的有效性。

目录

第一个书签之前