线性动态系统反演模型在人体行为识别的应用

目的 人体行为识别在视频监控、环境辅助生活、人机交互和智能驾驶等领域展现出了极其广泛的应用前景。由于目标物体遮挡、视频背景阴影、光照变化、视角变化、多尺度变化、人的衣服和外观变化等问题，使得对视频的处理与分析变得非常困难。为此，本文利用时间序列正反演构造基于张量的线性动态模型，估计模型的参数作为动作序列描述符，构造更加完备的观测矩阵。方法 首先从深度图像提取人体关节点，建立张量形式的人体骨骼正反向序列。然后利用基于张量的线性动态系统和Tucker分解学习参数元组（A_F，A_I，C），其中C表示人体骨架信息的空间信息，A_F和A_I分别描述正向和反向时间序列的动态性。通过参数元组构造观测矩阵，一个动作就可以表示为观测矩阵的子空间，对应着格拉斯曼流形上的一点。最后通过在格拉斯曼流形上进行字典学习和稀疏编码完成动作识别。结果 实验结果表明，在MSR-Action 3D数据集上，该算法比Eigenjoints算法高13.55%，比局部切从支持向量机（LTBSVM）算法高2.79%，比基于张量的线性动态系统（tLDS）算法高1%。在UT-Kinect数据集上，该算法的行为识别率比LTBSVM算法高5.8%，比tLDS算法高1.3%。结论 通过大量实验评估，验证了基于时间序列正反演构造出来的tLDS模型很好地解决了上述问题，提高了人体动作识别率。

Inversion model of linear dynamic system for human action recognition