基于3D人体骨架的动作识别

ubeautqq

基于3D人体骨架的动作识别

摘要:本文提出了一种基于3D人体骨架的动作识别方法.该方法以3D人体骨架为基础,将骨架中关节点的位置重新定义,形成简化的立体骨架模型,进而采用改进的动态时间规整算法( Reformative Dymamic Time Warping,R-DTW)对齐动作序列并进行识别.由于人体大小形状.动作方式等差异,任意两个人表达同一动作都不尽相同,简化的立体骨架模型能有效缓解这种类内差异性.传统的DTW算法存在计算复杂性高,效率低的问题,本文在传统算法的基础上设计了“一次规划,二次细化”的方法,有效降低计算量,提高计算效率.该算法在MSR 3D Action数据库上的实验验证了其有效性.
( P4 _; m  Q: H7 K& y- D关键词:人体骨架;动态时间规整;动作识别
& i7 K; k5 t% Z$ D
1 Q: s' ]( c* q; R6 f# T+ s1引言
2 I$ X9 i* T5 {: y* C( c近年来,人体动作识别在人机交互、智能监控等领域应用广泛,已经成为机器视觉和模式识别领域的一个研究热点.动作识别问题主要围绕图像和视频展开，而当今的一些研究开始在图像的基础上结合深度信息以提高动作识别率"·2或直接使用深度信息以加快识别速度[34].随着深度相机、Kinect等技术的发展,这些工作变得切实可行.
+ g8 k, V. R' c结合深度信息后的动作数据包含更丰富的信息，同时也不可避免的导致数据冗余的问题,如何从这些数据中获取表达动作的关键信息也成为了值得研究的课题.早在1975年, Johansson[5进行了一项实验:在黑暗的屋子里将几束光照在人体的主要关节点并根据这些光点进行人体动作识别,实验结果验证了采用骨架节点进动作识别的可行性.Ziaeefard'6在二维图像的人体轮廓剪影中提取骨架点,并将整个视频序列缩略成骨架点累积图模型(Cumulative Skeletonized Images ,CSI),进而根据CSI得出骨架点分布的直方图并进行识别,该方法在KTH行为数据库上获得了迄今为止的最高识别率.Li3提出了一种简单有效的从深度图中提取3D点云姿态模型的方法,并验证了该方法对于遮挡的处理能力.Xia "将Ziaeefard的方法扩展到三维空间中，采用隐马尔科夫模型( Hidden Markov Model , HMM)进行动作识别.
  o5 X8 [% _# m5 {本文针对3D骨架模型中关节点的空间位置设计

游客，如果您要查看本帖隐藏内容请回复

2 L! K1 S* V0 f
6 o( }# m8 B7 _& a: A

SsaaM7

基于3D人体骨架的动作识别