本文關(guān)鍵詞：基于時間序列分析的行為識別技術(shù)研究　出處：《青島科技大學》2017年碩士論文　論文類型：學位論文

  更多相關(guān)文章： 骨架特征 時間信息 多維時間序列建模 行為識別

【摘要】：當今人體行為識別的應用已經(jīng)延伸到社會的各個方面,尤其是在運動分析、公共場所的安全監(jiān)測、虛擬現(xiàn)實的實現(xiàn)等方面應用十分廣泛,為很多行業(yè)的發(fā)展帶來有利的契機。因此,人體行為識別技術(shù)的研究理所當然地活躍在科學研究領(lǐng)域,成為研究熱點。盡管目前已經(jīng)有多種多樣的行為識別算法被提出,但是由于人體動作的復雜性,人體行為識別技術(shù)仍然存在不足。本文主要針對人體行為識別方法中時序信息缺失的問題,對基于視頻序列的人體動作識別展開了研究,本文的主要內(nèi)容包括:(1)為了克服外在因素對行為識別結(jié)果造成干擾,本文對提取到的特征進行了統(tǒng)一化。3D骨架坐標特征對行為識別起到了很重要的作用,但是原始的坐標數(shù)據(jù)對于行為識別不具有魯棒性,很容易受到尺度、角度以及活動區(qū)域的影響,造成錯誤的識別。本文為解決這一問題,對坐標數(shù)據(jù)進行了中心點統(tǒng)一化、尺度統(tǒng)一化以及角度統(tǒng)一化的轉(zhuǎn)變,使得坐標特征具有尺度不變性和旋轉(zhuǎn)不變性,通過實驗分析也證實了其具有更好的魯棒性。(2)為了克服單一特征造成的識別局限性,本文采用多特征融合的方法。骨架特征有很多種,兩點間距離、線線夾角、線面夾角、線線方向等等,過多的特征會造成冗余,但單一特征又不能很好地表達運動信息,所以正確的行為識別需要合理的特征融合。本文為解決這一問題,對多種骨架特征進行實驗和分析,對能夠更好表達運動信息的特征進行融合。(3)為了克服時間信息缺失的問題,本文采用了時序分析的稀疏表示算法作為多維時序建模方法。雖然現(xiàn)存的底層特征能夠較好地表達人體動作信息,但對于視頻中運動的人體來說,時間信息是具有區(qū)分力的很重要的信息,因為人體運動視頻本身就是在時間軸上幀的改變和運動。本文為解決這一問題,對時序進行分析,采用加入監(jiān)督時序混亂的正則項來抑制運動時間上的錯誤,使得傳統(tǒng)的稀疏編碼轉(zhuǎn)變?yōu)槟軌蛱幚戆\動信息的多維時序建模方法。通過實驗驗證了時序信息對稀疏系數(shù)重要的影響,以及對分類正確率的提高。(4)為了有效而簡單地實現(xiàn)行為的正確分類識別,本文采用匹配誤差最小策略�，F(xiàn)存的行為分類方法有很多,比如支持向量機、K-近鄰等等,但匹配誤差最小策略原理較簡單,實現(xiàn)較容易,且實驗結(jié)果理想,因此本文采用此決策方法。實驗運行的硬件設備和軟件平臺由中科院自動化所提供,實驗進行于Linux操作系統(tǒng)和Matlab2015b開發(fā)平臺下。通過在UTKinect和Florence3D這兩個RGB-D行為識別數(shù)據(jù)庫上,以及人為模擬數(shù)據(jù)集上的實驗,證實了本文算法對于提高行為分類結(jié)果的有效性。
[Abstract]:In order to overcome this problem , the research on the recognition of human behavior is very important in the field of human behavior recognition . ( 4 ) In order to effectively and simply realize the correct classification and recognition of the behavior , this paper adopts the matching error minimum strategy . The existing method of behavior classification has many , such as support vector machine , K - nearest neighbor and so on , but the matching error minimum strategy principle is simple , the experiment is carried out under the development platform of Linux operating system and Matlab2015b . Through experiments on the two RGB - D behaviors of UTKinect and Florence3D , and artificial simulation data set , this paper proves the effectiveness of the algorithm in improving the behavior classification result .

【學位授予單位】：青島科技大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41;O211.61

【參考文獻】

相關(guān)期刊論文 前5條

1 單言虎;張彰;黃凱奇;;人的視覺行為識別研究回顧、現(xiàn)狀及展望[J];計算機研究與發(fā)展;2016年01期

2 秦華標;張亞寧;蔡靜靜;;基于復合時空特征的人體行為識別方法[J];計算機輔助設計與圖形學學報;2014年08期

3 韓駿浩;趙懷勛;;基于監(jiān)控系統(tǒng)的人體行為識別技術(shù)研究[J];網(wǎng)絡安全技術(shù)與應用;2014年06期

4 秦磊;胡瓊;黃慶明;田琦;;基于特征點軌跡的動作識別[J];計算機學報;2014年06期

5 徐勤軍;吳鎮(zhèn)揚;;視頻序列中的行為識別研究進展[J];電子測量與儀器學報;2014年04期

，

本文編號：1391098