人體行為識(shí)別技術(shù)的飛速發(fā)展,使其逐漸滲入到許多行業(yè),是計(jì)算機(jī)自動(dòng)理解真實(shí)場(chǎng)景的重要步驟,有著廣闊的應(yīng)用前景,越來(lái)越多的研究人員對(duì)其投入研究。通過(guò)分析人體行為的復(fù)雜度,發(fā)現(xiàn)相對(duì)于單人行為而言,交互行為的識(shí)別存在復(fù)雜性高,冗余信息量大,特征維數(shù)高且難以區(qū)分等特點(diǎn),因此交互行為的特征選取及表達(dá)對(duì)識(shí)別算法起著至關(guān)重要的作用。對(duì)交互動(dòng)作的研究大部分基于RGB圖像,雖然取得了較好的研究成果,但也存在一定的局限性。對(duì)于RGB圖像,復(fù)雜的背景,光照強(qiáng)度,角度等因素都會(huì)給交互行為識(shí)別帶來(lái)影響,使得識(shí)別率降低。所以在本文中,主要對(duì)如何結(jié)合深度圖像選取交互動(dòng)作的特征提取以及優(yōu)化算法效率進(jìn)行重點(diǎn)研究。本文的研究工作如下:利用多源信息的互補(bǔ)性,相應(yīng)地提取了各自的特征。本文首先對(duì)深度圖像采用Canny算子提取邊緣特征,對(duì)RGB圖像采用局部二值模式算子旋轉(zhuǎn)不變模式提取紋理特征,采用光流直方圖來(lái)描述動(dòng)態(tài)特征;然后對(duì)提取的邊緣特征及紋理特征進(jìn)行加權(quán)融合;之后利用基于稀疏編碼空間金字塔匹配模型(對(duì)靜態(tài)融合特征和光流運(yùn)動(dòng)軌跡特征進(jìn)行編碼池化,將得到的池化特征再融合;最后采用支持向量機(jī)（Support Vector Mach... 

【文章來(lái)源】：內(nèi)蒙古科技大學(xué)內(nèi)蒙古自治區(qū)

【文章頁(yè)數(shù)】：50 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

*3窗口像素灰度值

內(nèi)蒙古科技大學(xué)碩士學(xué)位論文-7-產(chǎn)生了一個(gè)八位的二進(jìn)制數(shù)，將其轉(zhuǎn)化為對(duì)應(yīng)的十進(jìn)制數(shù)就是這個(gè)區(qū)域的LBP值。LBP算子的數(shù)學(xué)公式為：802iiiLgsgg（式2.1）其中，g表示窗口中心灰度值，1,2,...,8igi表示相鄰像素的灰度值，1,00,0xsxx。這樣就將二進(jìn)制序列轉(zhuǎn)化為十進(jìn)制數(shù)字代表該區(qū)域的LBP值。原始的LBP算子的3*3固定區(qū)域應(yīng)用區(qū)域比較狹窄，而實(shí)際應(yīng)用中，需要滿足不用尺度或頻率紋理需求。之后改進(jìn)的算子是以某一像素為中心在圓周上等間距選取像素點(diǎn)，其中圓的半徑R，圓周上采樣像素點(diǎn)的數(shù)目為P。具體的半徑R和像素點(diǎn)數(shù)目P需要根據(jù)圖像的實(shí)際情況來(lái)確定。下面對(duì)R,P取了三對(duì)值，具體表示如圖2.2所示。（a）R=1.P=8（b）R=1.5,P=12（c）R=2,P=16圖2.2不同取值的圓對(duì)稱(chēng)鄰域集LBP算子的圓形區(qū)域采樣的方法對(duì)應(yīng)的數(shù)學(xué)公式為：1,02PiPRiiLgsgg（式2.2）P個(gè)鄰域像素點(diǎn)在和中心像素點(diǎn)灰度值進(jìn)行比較后得到二進(jìn)制串，加權(quán)求和后，會(huì)產(chǎn)生2P種二進(jìn)制模式。由于1g總是位于中心像素相鄰采樣點(diǎn)的同一位置，當(dāng)圖像發(fā)生旋轉(zhuǎn)時(shí)，對(duì)應(yīng)標(biāo)點(diǎn)的灰度值會(huì)發(fā)生變化，從而會(huì)產(chǎn)生不同的LBP編碼，為了解決圖像因旋轉(zhuǎn)而產(chǎn)生不同LBP值的問(wèn)題，提出了旋轉(zhuǎn)不變LBP特征。通過(guò)不斷旋轉(zhuǎn)最初的局部二值模式得到不同的LBP值，選取最小的LBP值對(duì)應(yīng)的局部二值模式，其對(duì)應(yīng)的公式為：,,min,|0,1,1nPRPRLRORLii…,P（式2.3）其中，函數(shù)RORx,i是對(duì)P比特位數(shù)值x按環(huán)形，比特位右移i次，得到局部二值模式。

內(nèi)蒙古科技大學(xué)碩士學(xué)位論文-8-原始的LBP算子與其不變模式對(duì)圖像處理的不同結(jié)果圖如圖2.3所示。（a）灰度圖（b）原始LBP算子處理結(jié)果（c）旋轉(zhuǎn)不變模式處理結(jié)果圖2.3原始LBP算子與不變模式處理結(jié)果2.1.2邊緣特征深度圖像的每個(gè)像素值只和傳感器距離圖像中物體的距離有關(guān)，一定程度上減少了復(fù)雜背景、顏色、遮擋等因素的影響。深度圖像的邊緣包含豐富的信息，是區(qū)域?qū)傩园l(fā)生突變的地方[24,25]。邊緣上的灰度變化較平緩，其兩側(cè)變化較快。與RGB圖像相比，深度圖像中識(shí)別的目標(biāo)更加突出，在邊緣的值變化明顯，所以提取出的邊緣更加純粹且良好，易于將目標(biāo)與背景區(qū)分。常見(jiàn)的算子有Prewitt算子、Sobel算子、Canny算子等。其中，Prewitt算子和Sobel算子屬于梯度算子，對(duì)灰度漸變、低噪聲的圖像有較好的檢測(cè)結(jié)果。梯度算子比其他的算子計(jì)算起來(lái)更加簡(jiǎn)單，但是計(jì)算出來(lái)的邊緣略粗糙，精度低。Canny算子對(duì)圖像的邊緣檢測(cè)更加精準(zhǔn)、細(xì)致，檢測(cè)的結(jié)果比上述兩算子效果更好。因此，本文采用Canny算子[26]對(duì)深度圖像提取邊緣特征，其具體計(jì)算過(guò)程如下：（1）采用高斯濾波器平滑處理圖像。22221,exp()22xyGxy（式2.4）hx,yGx,yfx,y（式2.5）其中，是高斯函數(shù)的標(biāo)準(zhǔn)差，調(diào)節(jié)平滑程度；fx,y為原始圖像；hx,y為平滑處理后的圖像；表示卷積。（2）為了計(jì)算梯度幅值和方向，采用一階偏導(dǎo)的有限差分方法。對(duì)平滑圖像hx,y用22的一階有限差分計(jì)算二維高斯函數(shù)Gx,y的梯度。


本文編號(hào)：3579996