人體動(dòng)作識(shí)別在計(jì)算機(jī)視覺、模式識(shí)別等領(lǐng)域中是一個(gè)熱點(diǎn)問題,消費(fèi)級(jí)深度傳感器（如Microsoft Kinect）的出現(xiàn)和普及,使得利用深度數(shù)據(jù)進(jìn)行人體動(dòng)作識(shí)別研究受到了廣泛的重視。深度數(shù)據(jù)對(duì)光照的變化、背景的雜亂以及視點(diǎn)的變化具有一定的魯棒性,彌補(bǔ)了傳統(tǒng)人體動(dòng)作識(shí)別方法的不足。這一優(yōu)勢(shì)給人體動(dòng)作識(shí)別的研究提供了很多新思路。盡管許多基于深度數(shù)據(jù)的動(dòng)作描述符已經(jīng)取得了可觀的效果,但如何提取人體動(dòng)作深度數(shù)據(jù)的特征還是一個(gè)有待解決的開放性問題;動(dòng)作特征相對(duì)來說數(shù)據(jù)復(fù)雜、維度較高,設(shè)計(jì)一個(gè)高效的分類算法也是一個(gè)亟待研究的問題;對(duì)于目前廣泛采用的利用深度學(xué)習(xí)技術(shù)自動(dòng)學(xué)習(xí)特征的方案來說,由于受到樣本數(shù)量的限制,還未能在人體動(dòng)作識(shí)別領(lǐng)域取得很好的結(jié)果。面向這些問題,本文在前人的相關(guān)研究基礎(chǔ)上提出了兩種基于不同維度的深度數(shù)據(jù)特征融合的人體動(dòng)作識(shí)別方法,分別從3D深度數(shù)據(jù)和4D深度數(shù)據(jù)出發(fā),利用不同特征之間的互補(bǔ)性進(jìn)行有效地特征融合,并探索更適合人體動(dòng)作識(shí)別的分類方法,從而實(shí)現(xiàn)更好的識(shí)別效果。本文的主要工作如下:第一,針對(duì)基于深度數(shù)據(jù)的人體動(dòng)作識(shí)別的相關(guān)研究進(jìn)行整理與分析,并從人體動(dòng)作深度數(shù)據(jù)的特征提取、... 

【文章頁數(shù)】：109 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1. 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 人體動(dòng)作深度數(shù)據(jù)的特征提取
        1.2.2 人體動(dòng)作特征的分類方法
        1.2.3 基于特征融合的人體動(dòng)作識(shí)別方法
    1.3 面臨的問題與挑戰(zhàn)
    1.4 論文主要研究?jī)?nèi)容與組織結(jié)構(gòu)
        1.4.1 論文研究?jī)?nèi)容與創(chuàng)新點(diǎn)
        1.4.2 論文的組織結(jié)構(gòu)
2. 基于深度數(shù)據(jù)的人體動(dòng)作識(shí)別關(guān)鍵技術(shù)
    2.1 引言
    2.2 深度數(shù)據(jù)及預(yù)處理
        2.2.1 深度圖像數(shù)據(jù)
        2.2.2 骨骼節(jié)點(diǎn)數(shù)據(jù)
        2.2.3 數(shù)據(jù)預(yù)處理
    2.3 人體動(dòng)作常用的特征表示
        2.3.1 3D輪廓特征
        2.3.2 時(shí)空興趣點(diǎn)特征
        2.3.3 骨架關(guān)節(jié)點(diǎn)特征
        2.3.4 點(diǎn)云信息特征
    2.4 人體動(dòng)作識(shí)別的分類方法
        2.4.1 動(dòng)態(tài)時(shí)間規(guī)整算法
        2.4.2 支持向量機(jī)
        2.4.3 K-近鄰法
        2.4.4 極限學(xué)習(xí)機(jī)
        2.4.5 Softmax算法
    2.5 本章小節(jié)
3. 基于3D深度數(shù)據(jù)特征融合的人體動(dòng)作識(shí)別
    3.1 引言
    3.2 基于三維深度數(shù)據(jù)特征融合的系統(tǒng)識(shí)別框架
    3.3 三維深度數(shù)據(jù)的特征提取
        3.3.1 基于小波變換的輪廓特征
        3.3.2 時(shí)空興趣點(diǎn)特征
        3.3.3 骨骼數(shù)據(jù)特征
    3.4 特征融合與處理
    3.5 實(shí)驗(yàn)結(jié)果
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)庫
        3.5.2 實(shí)驗(yàn)設(shè)計(jì)
        3.5.3 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
4. 基于4D深度數(shù)據(jù)特征融合的人體動(dòng)作識(shí)別
    4.1 引言
    4.2 基于4D法線特征融合的系統(tǒng)識(shí)別框架
    4.3 4D法線的特征提取與融合
        4.3.1 4D曲面法線方向特征
        4.3.2 超級(jí)法線向量特征
        4.3.3 4D深度特征的融合
    4.4 基于矩陣分解的快速寬度學(xué)習(xí)系統(tǒng)
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)庫
        4.5.2 實(shí)驗(yàn)設(shè)置
        4.5.3 實(shí)驗(yàn)結(jié)果與分析
    4.6 本章小結(jié)
5. 總結(jié)與展望
    5.1 研究總結(jié)
    5.2 研究不足與展望
參考文獻(xiàn)
在校期間發(fā)表的論文、科研成果等
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于3D人體骨架的動(dòng)作識(shí)別[J]. 張友梅,常發(fā)亮,劉洪彬.  電子學(xué)報(bào). 2017(04)
[2]基于Kinect手勢(shì)識(shí)別的應(yīng)用與研究[J]. 于澤升,崔文華,史添瑋.  計(jì)算機(jī)科學(xué). 2016(S2)
[3]基于Kinect的人體動(dòng)作識(shí)別方法[J]. 辛義忠,邢志飛.  計(jì)算機(jī)工程與設(shè)計(jì). 2016(04)
[4]基于Kinect深度信息的實(shí)時(shí)三維重建和濾波算法研究[J]. 陳曉明,蔣樂天,應(yīng)忍冬.  計(jì)算機(jī)應(yīng)用研究. 2013(04)

博士論文
[1]融合深度數(shù)據(jù)的人機(jī)交互手勢(shì)識(shí)別研究[D]. 張凱.華中師范大學(xué) 2013

碩士論文
[1]基于RGB-D深度信息的手勢(shì)識(shí)別研究[D]. 王藝.西華大學(xué) 2015



本文編號(hào)：3677808