基于人体骨架模型的人体行为识别

摘要

近来，人体动作识别已经成为一个十分热门的话题。在视频检索、智能零售、人机交互、公共安全以及运动合成等诸多方面都有很多应用。因此受到学术界、工业界和政府的高度关注。但是由于人体动作本身的复杂性，定义的模糊性，还受到拍摄角度、光照、背景等因素的影响使得视频动作识别仍然是一个极具挑战性的问题。 本文围绕人体动作识别的关键问题，分别从视频动作识别用到的特征、骨架特征、骨架建模及参数优化、基于骨架特征的动作表达及分类等几个方面进行了深入的探讨，主要工作如下： 一、分析从简单到复杂三种不同的人体骨架模型，包括立体模型、卡片模型和火柴模型，并对火柴模型进行改进使其更适合课题的需要，同时不失一般性。对于选择的骨架模型将HOG特征以及一些几何特征作为骨架模型的基本特征，用树形图表达骨架模型，并凝炼出骨架模型参数的优化目标。 二、分析比较可以解决基于骨架参数优化目标的方法，主要有基于梯度的方法、随机双坐标上升法(stochastic dual coordinate ascent, SDCA)及其改进算法，通过引入惯性约束对效果较好的SDCA算法进行改进，并比较改进前后的差别，对于得到的改进算法证明其收敛性同时引入Nestrov参数自动计算技术，进一步提升改进算法的优化效果。 三、采用三种方法对动作进行表达。对轨迹做快速傅立叶变换(fast Fourier transform, FFT)使其对齐，然后分类；对人体骨架状态聚类，并用码本对不同视频进行对齐然后分类；同时提取轨迹和轨迹周围的HOG特征并对HOG特征进行高斯混合建模(Gauss mixture model, GMM)再用Fisher向量对动作进行表达，然后进行分类。 四、为验证骨架特征的实用性，对骨架特征参数优化的方法以及基于骨架的动作表达方法进行仿真实验。实验结果显示骨架参数优化效率得到明显提升，动作识别也有较好的效果。

目录

第一个书签之前

摘 要

Abstract

第一章 绪论

1.1 课题研究背景及意义

1.2 人体动作的界定

1.3.1 人体动作识别的研究现状

1.3.2 基于骨架的人体动作识别研究现状

1.4 本文的主要研究内容

1.5 章节安排

第二章 骨架模型的建立

2.2.1 立体模型

2.2.2 卡片模型

2.3 人体骨架模型的构成

2.3.1 共生模型

2.3.3 外观模型

2.5 本章小结

第三章 骨架模型训练及参数求解方法改进

3.2.2 关节类型与k-means聚类

3.2.3 多尺度HOG特征

3.3 参数优化算法

3.3.1 基于梯度的算法

3.3.2 SDCA

3.4 Priximal SDCA加速算法

3.4.1 Proximal SDCA及其改进算法

3.4.2 Proximal SDCA加速算法

3.5 本章小结

第四章 基于骨架特征的动作表达

4.3 基于运动轨迹FFT的动作表达

4.4 基于骨架状态码本的动作表达

4.5 基于HOG特征和Fisher向量的动作表达

4.5.1 高斯混合模型

4.5.2 Fisher向量

4.6 本章小结

第五章 实验

5.2 人体姿态估计实验

5.2.2 不同算法训练的人体骨架估计性能对比

5.3 人体动作识别实验

5.4 本章小结

第六章 总结与展望

6.2 未来展望

致 谢

参考文献

攻读硕士学位期间的研究成果