结合特权信息的人体动作识别

目的 采用传统的2维特征提取方法，很难从视频中准确地捕获出人体的关节点位置，限制了识别率的上限。采用深度信息的3维特征提取能提升识别率，但高维空间运算复杂度高，很难实现实时识别，受应用场景限制。为克服上述难点，提出一种基于3维特权学习的人体动作识别方法，将3维信息作为特权信息引入到传统的2维动作识别过程中，用来识别人体动作。方法 以运动边界直方图密集光流特征、Mosift（Motion SIFT）特征和多种特征结合的混合特征作为2维基本特征。从Kinect设备获得的深度信息中评估出人体的关节点信息，并用李群算法处理得到3维特征作为特权信息。特权信息在经典支持向量机下的识别效果优于2维基本特征。训练数据包含2维基本特征和3维特权信息，测试数据只有2维基本特征。通过训练样本学习，得到结合特权信息的支持向量机（SVM+），使用该向量机对测试样本进行分类，得到人体动作识别结果。结果 在UTKinect-Action和Florence3D-Action两个人体动作数据集上进行实验。引入特权信息后，人体动作识别率较传统2维识别有2%的平均提升，最高达到9%。SVM+分类器对参数的敏感性较SVM下降。结论 实验结果表明，本文方法较以往方法，在提升识别准确率的同时，降低了分类器对参数的敏感性。本文方法仅在训练过程中需要同时提取2维基本特征和3维特权信息，而在测试过程中无需借助深度信息获取设备提取3维特权特征信息，学习速度快，运算复杂度低，可广泛应用于低成本，高实时的人体动作识别场合。

Human action recognition based on privileged information