【摘要】：目前在RGBD視頻的行為識別中,為了提高識別準(zhǔn)確率,許多方法采用多特征融合的方式。通過實(shí)驗(yàn)分析發(fā)現(xiàn),行為在特定特征上的分類效果好,但是多特征融合并不能體現(xiàn)個別特征的分類優(yōu)勢,同時融合后的特征維度很高,時空開銷大。為了解決這個問題,提出了RGBD人體行為識別中的自適應(yīng)特征選擇方法,通過隨機(jī)森林和信息熵分析人體關(guān)節(jié)點(diǎn)判別力,以高判別力的人體關(guān)節(jié)點(diǎn)的數(shù)量作為特征選擇的標(biāo)準(zhǔn)。通過該數(shù)量閾值的篩選,選擇關(guān)節(jié)點(diǎn)特征或者關(guān)節(jié)點(diǎn)相對位置作為行為識別特征。實(shí)驗(yàn)結(jié)果表明,該方法相比于特征融合的算法,行為識別的準(zhǔn)確率有了較大提高,超過了大部分算法的識別結(jié)果。
[Abstract]:At present, in RGBD video behavior recognition, in order to improve the recognition accuracy, many methods adopt multi-feature fusion. Through the experimental analysis, it is found that behavior has good classification effect on specific features, but multi-feature fusion can not reflect the advantages of individual features. At the same time, the feature dimension after fusion is very high, and the cost of time and space is large. In order to solve this problem, an adaptive feature selection method in RGBD human behavior recognition is proposed. The discriminant power of human nodes is analyzed by random forest and information entropy, and the number of human nodes with high discriminant power is taken as the criterion of feature selection. Through the selection of the threshold value, the feature of the node or the relative position of the node is selected as the behavior recognition feature. Experimental results show that the accuracy of behavior recognition is greatly improved compared with the feature fusion algorithm, which exceeds the recognition results of most of the algorithms.
【作者單位】： 廈門大學(xué)智能科學(xué)與技術(shù)系;廈門大學(xué)福建省仿腦智能系統(tǒng)重點(diǎn)實(shí)驗(yàn)室;華僑大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(61572409,61571188,61202143) 福建省自然科學(xué)基金項(xiàng)目(2013J05100) 中醫(yī)健康管理福建省2011協(xié)同創(chuàng)新中心項(xiàng)目
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張偉東;陳峰;徐文立;杜友田;;基于階層多觀測模型的多人行為識別[J];清華大學(xué)學(xué)報(自然科學(xué)版);2009年07期

2 吳聯(lián)世;夏利民;羅大庸;;人的交互行為識別與理解研究綜述[J];計算機(jī)應(yīng)用與軟件;2011年11期

3 申曉霞;張樺;高贊;薛彥兵;徐光平;;一種魯棒的基于深度數(shù)據(jù)的行為識別算法[J];光電子.激光;2013年08期

4 鄭胤;陳權(quán)崎;章毓晉;;深度學(xué)習(xí)及其在目標(biāo)和行為識別中的新進(jìn)展[J];中國圖象圖形學(xué)報;2014年02期

5 曾青松;余明輝;賀衛(wèi)國;李玲;;一種行為識別的新方法[J];昆明理工大學(xué)學(xué)報(理工版);2009年06期

6 谷軍霞;丁曉青;王生進(jìn);;基于人體行為3D模型的2D行為識別[J];自動化學(xué)報;2010年01期

7 李英杰;尹怡欣;鄧飛;;一種有效的行為識別視頻特征[J];計算機(jī)應(yīng)用;2011年02期

8 王新旭;;基于視覺的人體行為識別研究[J];中國新通信;2012年21期

9 王忠民;曹棟;;坐標(biāo)轉(zhuǎn)換在移動用戶行為識別中的應(yīng)用[J];北京郵電大學(xué)學(xué)報;2014年S1期

10 溫向兵;滿君豐;;視頻監(jiān)控中人體行為識別的研究[J];微型機(jī)與應(yīng)用;2010年23期

相關(guān)會議論文 前5條

1 苗強(qiáng);周興社;於志文;倪紅波;;一種非覺察式的睡眠行為識別技術(shù)研究[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

2 齊娟;陳益強(qiáng);劉軍發(fā);;基于多模信息感知與融合的行為識別[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

3 黃紫藤;吳玲達(dá);;監(jiān)控視頻中簡單人物行為識別研究[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

4 安國成;羅志強(qiáng);李洪研;;改進(jìn)運(yùn)動歷史圖的異常行為識別算法[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

5 劉威;李石堅;潘綱;;uRecorder:基于位置的社會行為自動日志[A];第18屆全國多媒體學(xué)術(shù)會議（NCMT2009）、第5屆全國人機(jī)交互學(xué)術(shù)會議（CHCI2009）、第5屆全國普適計算學(xué)術(shù)會議（PCC2009）論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 邵延華;基于計算機(jī)視覺的人體行為識別研究[D];重慶大學(xué);2015年

2 仝鈺;基于條件隨機(jī)場的智能家居行為識別研究[D];大連海事大學(xué);2015年

3 馮銀付;多模態(tài)人體行為識別技術(shù)研究[D];浙江大學(xué);2015年

4 姜新波;基于三維骨架序列的人體行為識別研究[D];山東大學(xué);2015年

5 裴利沈;視頻中人體行為識別若干問題研究[D];電子科技大學(xué);2016年

6 周同馳;行為識別中基于局部時空關(guān)系的特征模型研究[D];東南大學(xué);2016年

7 徐海燕;復(fù)雜環(huán)境下行為識別特征提取方法研究[D];東南大學(xué);2016年

8 何衛(wèi)華;人體行為識別關(guān)鍵技術(shù)研究[D];重慶大學(xué);2012年

9 吳秋霞;復(fù)雜場景下的人體行為識別[D];華南理工大學(xué);2012年

10 韓姍姍;基于視覺的運(yùn)動人體特征描述與行為識別研究[D];浙江工業(yè)大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 唐小琴;基于全局和局部運(yùn)動模式的人體行為識別研究[D];西南大學(xué);2015年

2 陳鈺昕;基于時空特性的人體行為識別研究[D];燕山大學(xué);2015年

3 任亮;智能車環(huán)境下車輛典型行為識別方法研究[D];長安大學(xué);2015年

4 金澤豪;并行化的人體行為識別方法研究與實(shí)現(xiàn)[D];華南理工大學(xué);2015年

5 王露;基于稀疏時空特征的人體行為識別研究[D];蘇州大學(xué);2015年

6 于靜;基于物品信息和人體深度信息的行為識別研究[D];山東大學(xué);2015年

7 章瑜;人體運(yùn)動行為識別相關(guān)方法研究[D];南京師范大學(xué);2015年

8 趙揚(yáng);家庭智能空間下基于行走軌跡的人體行為理解[D];山東大學(xué);2015年

9 王曉龍;基于軌跡分析的暴力行為識別算法研究[D];上海交通大學(xué);2015年

10 張偉;智能空間下基于非視覺傳感器數(shù)據(jù)的人體行為識別方法研究[D];山東大學(xué);2015年

，

本文編號：2158176