基于耦合Multi-HMM和深度图像数据的人体动作识别

摘要

基于视频的人体动作识别是通过摄像机采集的视频数据识别人体动作类别。从计算机科学方面到行为科学方面，再到社交媒体方面，人体动作识别在这些领域中具有十分广泛的应用，近年来一直是一个非常活跃的研究课题并取得了令人鼓舞的进展，但其仍然是一项具有挑战性的任务。目前，基于深度图像数据的人体动作识别逐渐得到研究人员的关注，其可以解决传统RGB图像容易受到光照强度、物体遮挡等因素影响的问题。但是现有的基于深度图像数据的人体动作识别研究一般将关节点及视频序列看作是独立同分布的，其忽略了人体关节点之间以及视频序列之间的耦合关系，从而影响了人体动作识别的准确度。基于此，论文提出了基于耦合Multi-HMM和深度图像数据的人体动作识别方法。 利用Kinect采集的关节点数据，首先将人体关节划分成五个区域，对每个区域的向量夹角离散化从而描述不同的状态，再通过Baum-Welch算法学习出各区域的多HMM（Multi-HMM）模型，并使用前向算法建立生成区域与动作类别概率矩阵。在此基础上，对区域及动作类别进行内耦合和间耦合分析，从而表达各关节点之间的交互关系。最后使用基于耦合的KNN（K最邻近）算法完成整体的动作识别。通过实验测试对五种动作的识别率均达到90%以上，并与3D Trajectories等方法进行对比，实验得到的综合识别率高于对比方法，具有明显的优势。

目录

第一个书签之前