摘要:针对目前人体行为识别效率低下的问题,提出了一种基于3D骨架的隐马尔科夫模型的室内人体行为识别方法.3D骨架数据量少且保留了行为关键信息的优点,并具有融合多特征和上下文信息的优势.在室内小范围情况下,利用Kinect设备获取人体运动的视频,同时提取骨骼的关节点,形成3D骨骼特征集,用这些特征来训练隐马尔科夫模型.首先建立一个姿态数据集,用于保存3D骨架信息,并设置对应的数字编号,依次遍历每种动作的特征序列,形成一个动作模板,即隐马尔科夫模型的观测值,然后进行样本训练,计算出转移概率,输出概率和初始状态概率.对于任意一个待识别的行为,输入训练集的特征序列,与数据集中的特征进行匹配,选取匹配度最高的编号作为该识别动作的编号,然后将这些编号按照先后顺序组合,可以获得一个可观察序列,然后使用向前算法逐个计算每种行为的状态转移矩阵生成可观察序列的概率.通过2个数据集的验证,实验结果表明,与基于3D骨架关节点位置的直方图的方法相比,所提算法具有更高的识别率.