人體行為識別是一個新興并且具有挑戰(zhàn)性的研究領域,在人機交互、視頻監(jiān)控、智能醫(yī)療等領域具有巨大的使用價值。傳統(tǒng)的人體行為識別大都是基于2D的視頻和圖像,識別效果不佳。隨著深度傳感器等3D技術的發(fā)展,能很好地減少識別過程中光照變化和環(huán)境背景等因素的影響,使得人體行為識別取得較好的識別效果。本文通過對3D骨骼數(shù)據(jù)的特征提取方式進行深入研究,提出一種基于混合局部特征的人體行為識別方法;同時,在此方法流程基礎上對VLAD算法進行改進,提出一種基于改進VLAD的人體行為識別方法,并通過實驗驗證其有效性;然后使用此方法設計并實現(xiàn)一個人體行為識別系統(tǒng)。主要研究工作如下:1.針對現(xiàn)有人體行為識別方法特征表達準確性不高的缺點,提出一種基于混合局部特征的人體行為識別方法。該方法從局部特征提取的方式上進行改進,從骨骼關節(jié)點中提取位移矢量、相對位置和關節(jié)夾角等局部特征構建混合局部特征來描述不同種類的行為,不僅很好地描述行為的運動信息,同時保留判別能力較強的信息,去除多余的冗余信息。2.針對傳統(tǒng)VLAD算法存在只包含一階均值信息,很難完整地描述行為特征分布的問題,提出一種改進的VLAD算法。該算法將特征向量關聯(lián)到...

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 人體行為識別研究現(xiàn)狀及研究難點
        1.2.1 國內外研究現(xiàn)狀
        1.2.2 研究難點
    1.3 本文研究內容和組織結構
        1.3.1 本文主要研究內容
        1.3.2 章節(jié)安排
第2章 相關理論及關鍵技術
    2.1 人體行為識別框架
    2.2 常用人體行為識別方法
        2.2.1 基于RGB數(shù)據(jù)的人體行為識別方法
        2.2.2 基于深度數(shù)據(jù)的人體行為識別方法
        2.2.3 基于3D骨骼數(shù)據(jù)的人體行為識別方法
    2.3 人體3D骨骼數(shù)據(jù)的獲取方法
        2.3.1 Kinect傳感器的原理
        2.3.2 3D骨骼數(shù)據(jù)的獲取
        2.3.3 3D骨骼數(shù)據(jù)的去噪
    2.4 人體行為識別常用特征聚合方法
        2.4.1 視覺詞袋模型
        2.4.2 Fisher向量模型
        2.4.3 局部聚合描述符
    2.5 人體行為識別常用分類算法
        2.5.1 K近鄰算法
        2.5.2 支持向量機
    2.6 本章小結
第3章 基于混合局部特征的人體行為識別方法
    3.1 3D骨骼數(shù)據(jù)的預處理
    3.2 混合局部特征提取方式的改進方法
        3.2.1 提取位移矢量特征
        3.2.2 提取相對位置特征
        3.2.3 提取關節(jié)夾角特征
    3.3 改進的人體行為識別流程
    3.4 實驗結果與分析
        3.4.1 實驗環(huán)境和實驗數(shù)據(jù)集
        3.4.2 實驗設置
        3.4.3 實驗結果及分析
    3.5 本章小結
第4章 基于改進VLAD的人體行為識別方法
    4.1 傳統(tǒng)VLAD算法存在的問題
    4.2 改進的VLAD算法
    4.3 改進的人體行為識別流程
    4.4 實驗結果與分析
        4.4.1 實驗設置
        4.4.2 實驗結果及分析
    4.5 本章小結
第5章 人體行為識別系統(tǒng)設計與實現(xiàn)
    5.1 開發(fā)工具
    5.2 系統(tǒng)設計
        5.2.1 需求分析
        5.2.2 系統(tǒng)總體架構
        5.2.3 系統(tǒng)功能模塊劃分
    5.3 系統(tǒng)實現(xiàn)
    5.4 本章小結
第6章 總結與展望
    6.1 工作總結
    6.2 未來展望
參考文獻
致謝
攻讀碩士學位期間從事的科研工作及取得的成果



本文編號：3950491