基于概率特征的在線人體動(dòng)作識(shí)別方法研究.pdf

1、深度攝像頭的出現(xiàn)，大大推動(dòng)了人體動(dòng)作識(shí)別的發(fā)展。深度攝像頭的深度圖像能提供拍攝目標(biāo)的深度信息，這些信息可以使研究者高效可靠地提取出人體的骨骼數(shù)據(jù)。由于骨骼數(shù)據(jù)能很好的刻畫出動(dòng)作的動(dòng)態(tài)特征，所以近年來出現(xiàn)了很多基于骨骼數(shù)據(jù)的人體動(dòng)作識(shí)別方法，這些方法顯示出了非常好的識(shí)別效果。但是在人體動(dòng)作識(shí)別領(lǐng)域中仍然存在一些問題沒有得到有效解決：①如何持續(xù)地從連續(xù)的動(dòng)作數(shù)據(jù)流中識(shí)別出感興趣的動(dòng)作；②如何解決動(dòng)作的類內(nèi)變化性；③如何提高人體動(dòng)作識(shí)別方法的

2、實(shí)時(shí)性。
　　針對(duì)人體動(dòng)作識(shí)別領(lǐng)域中存在的問題，本文提出了一種基于 Kinect的在線人體動(dòng)作識(shí)別方法。主要分為以下三個(gè)內(nèi)容：①我們采用了基于 Lie群的人體骨架表示法去表示每一時(shí)刻的人體骨架，與其他骨架表示法相比，基于 Lie群的方法可以更好地刻畫動(dòng)作的動(dòng)態(tài)特征；②提出了一種通過構(gòu)建概率模型字典提取概率特征的方法。我們將一個(gè)動(dòng)作看成是人體不同部位的運(yùn)動(dòng)的融合，而每個(gè)部位的運(yùn)動(dòng)又具有多種風(fēng)格。于是，我們可以利用少量的部位運(yùn)動(dòng)風(fēng)格交

3、叉組合去表示大量的動(dòng)作風(fēng)格。基于這個(gè)觀點(diǎn)，我們分別對(duì)所有動(dòng)作實(shí)例間位于同一維的單維時(shí)間序列進(jìn)行聚類，其中動(dòng)作實(shí)例中的每一維時(shí)間序列表示人體某一個(gè)部位的運(yùn)動(dòng)。在聚類完畢后用馬爾可夫鏈對(duì)每一類進(jìn)行建模，獲取代表這一類時(shí)間序列變化規(guī)律的概率模型，同時(shí)也表示了一個(gè)部位的一種運(yùn)動(dòng)風(fēng)格。所有類別的概率模型組成概率模型字典。概率模型字典存儲(chǔ)了人體各個(gè)部位的多種風(fēng)格的運(yùn)動(dòng)。然后我們將連續(xù)的動(dòng)作數(shù)據(jù)流的每一幀及其之前若干幀都看成是一個(gè)動(dòng)作實(shí)例，計(jì)算這個(gè)動(dòng)