如今,人體動作識別有著比較長的發(fā)展歷程,而且在當今人工智能大發(fā)展的前提下,它也得到了越來越多的關注,例如人機交互、機器視覺和基于內容視頻的檢索等。它在各個領域都有著很大的應用,可以對人體的動作進行探測和識別,最終識別出目標的動作行為,甚至可以預測目標接下來的行為,這對人物犯罪監(jiān)察探測有著非常重要的意義。由于人體動作識別的探測目標數(shù)據(jù)集大多是使用數(shù)據(jù)信息量大的攝像頭,甚至有可能是使用高速攝像頭的數(shù)據(jù),所以這給人體動作識別帶來了非常大的計算量。針對上訴的問題,我們在本文提出了一種新型的多視角動作識別的方法,這可以很好的解決視頻數(shù)據(jù)量大而帶來識別難度大的問題。首先,本文使用了一種快速高效的動作特征提取方法,它叫做模糊特征提取。其中,文章所研討的是關于多視角的人體動作識別方法,而模糊特征提取對多視角的動作特征的提取是有著非良好的效果。此方法在最初,需要對視頻的全局的圖片(即對視頻中每個動作類中的每張圖片)進行模糊化處理,然后將模糊化處理后的特征圖片進行k-means聚類,以此來生成我們對于分類算法的訓練或者識別所需要的特征模型。除此之外,我們還針對了多視角人體動作識別提出了一種新型的算法,它是...

【文章頁數(shù)】：65 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 人體動作識別的研究及意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文主要研究的內容
    1.4 論文組織結構
第二章 人體動作特征提取和動作識別方法
    2.1 人體動作特征的提取方法
        2.1.1 剪影輪廓特征
        2.1.2 光流特征
        2.1.3 方向梯度直方圖特征
        2.1.4 深度學習特征
    2.2 人體動作識別方法
        2.2.1 模板匹配法
        2.2.2 支持向量機分類法
        2.2.3 極限學習機分類法
    2.3 本章小結
第三章 多視角人體動作識別特征提取及識別相關理論
    3.1 感興趣區(qū)域特征的提取
        3.1.1 基于拐點的ROI特征提取方法
        3.1.2 基于灰度變化的ROI特征提取方法
    3.2 K-means聚類算法
        3.2.1 K-means算法
        3.2.2 K-means算法的優(yōu)缺點
    3.3 主要成分分析
    3.4 本章小結
第四章 多視角人體動作識別的最小類偏差極限學習機算法的理論分析
    4.1 多視角動作視頻特征
    4.2 最小類偏差極限學習機算法(MCVELM)
    4.3 最小類偏差極限學習機算法(MCVELM)的缺點
    4.4 本章小結
第五章 基于近似核心最小類偏差極限學習機的多視角人體動作識別方法
    5.1 模糊向量特征提取方法
    5.2 近似核心最小類偏差極限學習機算法(MCVAKELM)
    5.3 本章小結
第六章 實驗及評價
    6.1 KTH數(shù)據(jù)集
    6.2 UCF Sports數(shù)據(jù)集
    6.3 單視角人體動作識別實驗及分析
    6.4 多視角人體動作識別實驗及分析
    6.5 本章小結
總結與展望
參考文獻
攻讀學位期間學術成果
致謝



本文編號：3800203