基于动作轮廓特征的人体动作识别

提出了一种人工挑选关键帧的人体动作识别方法.先从标准视频中提取出能代表姿势的关键动作,然后对待测视频中每一帧图像中人体动作和关键动作比较分类来确定动作时间的相关度和相似度.实验结果表明人工挑选关键帧具有数量少和动作代表性强的特性,基于动作轮廓特征的人体动作识别方法在识别速度上比传统的方法快,识别率也较高.     

基于多特征融合的人体动作识别

提出复杂环境下基于特征融合的日常动作、突发异常(摔倒)行为检测方法. 利用人的姿态、姿态变化速率特征、人的位置变化特征表征人的运动状态,通过合成简单的姿态事件并结合特征来表达具有复杂时空关系的运动事件. 该方法计算复杂度小,对目标大小的变化具有较好的鲁棒性,在智能交互、服务机器人自主服务系统中具有实用价值.      

基于时空域Adaboost算法的人体动作识别研究

基于Kinect深度传感器提取人体骨骼信息,提出了一种有效的动作识别方法。首先利用Kinect传感器获取人体骨骼中20个骨骼点位置信息和旋转角度信息,用四元数的形式来表示,提取一个时间段的每一个骨骼点的四元数参数,作为80个时空特征;用支持向量机(Support Vector Machine,SVM)对每一个时空特征进行训练,得到80个弱分类器;最后利用Adaboost算法进行训练,得到相应的动作特征集和强分类器,并对强分类器进行融合。实验结果证明,该方法对不同体型的人的动作都具有很高的识别准确率和鲁棒性。     

3D CNN人体动作识别中的特征组合优选

为了提高人体动作识别准确率,改进原有3D CNN网络模型以获得更为丰富细致的人体动作特征,并通过对比实验为模型输入优选出识别效果最好的特征组合.该模型主要包括5个卷积层、3个下采样层和2个全连接层,二次卷积操作有利于提取到更为细致的特征,BN算法和dropout层用以防止模型过拟合,空间金字塔池化技术可以使网络能够处理...     

基于特征组合的步态识别算法研究

步态识别是通过人走路的姿态进行身份识别,研究提出一种组合步态运动中的人体形状静态特征和动态特征的步态识别算法：使用改进的Hu矩和紧致度表达人体轮廓特征,用于描述步态序列的静态特征：提取大腿间的夹角和长宽比,用于描述步态序列的动态特征;并将这两种特征进行组合处理．实验结果表明：本算法的性能较单一特征的步态识别算法有明显的改善．     

基于组合特征和SVM的视频中人体行为识别算法

针对复杂场景中的人体行为识别困难的问题,提出了一种基于组合特征和SVM的行为识别算法.该算法使用光流特征、HOG特征、重心特征和3D SIFT特征构成的组合特征来描述人体的各种行为;使用一对一的方式训练SVM分类器对提取出的特征进行分类,并以投票的方式得到具体的行为类别.使用包含4个场景的KTH数据集进行仿真.结果表明,所提出的算法能适应各种复杂环境,且相比只采用单一特征的识别算法具有更高的分类精度.     

面向人体动作识别的局部特征时空编码方法

为克服BoF特征袋模型在视频人体动作识别中忽视局部特征间时空位置关系的问题,本文提出局部特征时空编码方法。将局部特征时空位置坐标引入特征编码中,直接对它们的时空位置关系建模。首先,将局部特征投影到人体运动子时空域,获得局部特征的时空位置坐标;然后,在特征编码阶段同时对局部特征的出现信息和时空位置坐标进行编码;最后,采用特征池提取该时空域内局部特征的统计信息用于动作分类。为进一步提高性能,多尺度时空编码和局部约束时空编码方法也一并被提出,并在分类阶段采用局部约束块稀疏表示分类方法提高动作识别精度。在KTH, Weizmann, UCF sports等标准测试集的实验表明,本文算法能够有效表示局部特征间时空位置关系、提高动作识别精度。     

基于机器视觉的3D人体动作识别研究

为了对脑卒中病人的康复训练效果进行评价,针对基于加速度传感器的人体上肢动作识别这一新兴的领域开展研究,提出了一套基于蓝牙4.0的人体上肢姿态采集系统,对患者上肢康复训练中常见的7种运动信息进行采集和姿态识别.系统包括运动信息采集、信号传输、信号去噪声、动作识别等几个主要部分.实验结果表明：将传统的时域特征和过零点特征与上四分位点和下四分位点的特征进行组合,能够更好地将曲肘侧平举与曲臂弯曲静止等动作分开,有效提高识别的准确率.与BP神经网络相比,基于径向基核函数的支持向量机（support vector madine,SVM）分类器具有明显的性能优势,获得了较好的姿态识别性能,交叉验证平均正确识别率可达90%.

     

基于AdaBoost算法特征提取的人体动作识别方法

提出了一种利用AdaBoost算法对原始特征进行提取的人体动作识别方法,即从表征大量的训练数据的原始特征中提取出少量的、可分性高的特征样本,进而在保证识别率的基础上,减少了识别的计算量,达到快速、准确的人体动作识别。首先,利用基于时空兴趣点的三维尺度不变特征变换(3D SIFT)描述子对运动视频序列进行表示得到原始特征数据,然后将表征每个视频序列的原始特征通过AdaBoost算法进行提取,筛选出对于识别贡献最大特征数据作为训练样本。最后利用最近邻分类器在现有的KTH数据库上对本文方法进行测试,实验表明在得到较好的识别率的同时,大大提高了识别的速度,验证了所提方法的有效性。     

基于3D-CBAM注意力机制的人体动作识别

针对已有的动作识别方法的特征提取不足、识别率较低等问题,结合双流网络、3D卷积神经网络和卷积LSTM网络的优势,提出一种融合模型. 该融合模型为了更好地提取人体动作特征,采用SSD目标检测方法将人体目标分割出作为局部特征和原视频的全局特征共同训练,并采用后期融合进行分类; 将3D卷积块注意模块采用shortcut结构的方式融合到3D卷积神经网络中,加强神经网络对视频的通道和空间特征提取; 并且通过将神经网络中部分3D卷积层替换为ConvLSTM层的方法,更好地得到视频的时序关系. 实验在公开的KTH数据集     

基于随机森林算法的服装3D人体特征识别

提出了一种基于随机森林算法的3D人体特征识别算法.首先,利用bootsrap重抽样从3D人体特征样本中抽取多个样本,并对每个bootsrap样本进行建模,生成一定数量的决策树,在此基础上组合多个决策树的预测,通过投票预测特征点,把投票比例最高的点作为特征点.然后,利用3次B样条对特征点进行拟合得到3D扫描人体轮廓线,并测定人体尺寸数据.最后,将测试结果与标准测量结果进行比较,计算误差值.仿真实验表明,该方法对不同的3D扫描人体模型具有良好的识别效果.     

基于加速度信息的人体步态识别算法研究

针对步态特征提取时涉及到的维数高、变换复杂等问题,提出一种新的步态特征提取方法。利用加速度传感器采集人体侧向、垂直方向和前进方向的步态加速度数据,并根据跃度将加速度数据区分为动态部分和静态部分,进而计算出动态和静态部分在3个不同方向上的标准差,将共计6个特征指标作为身份识别的依据。对这些特征所做的相似性和个体性测试结果,证明了将它们作为识别依据的可行性。最后引入K-近邻分类算法,计算出测试样本与训练样本之间的最小欧氏距离,从而达到身份识别的目的。实验结果表明,只要测试环境与训练环境一致,通过提取的6个步态特征,利用K-近邻算法可正确识别出测试对象。     

基于三维重力加速器人体动作识别与分类

运用单个动作传感器通过机器学习算法——支持向量机(SVM),建立出色的人体日常动作识别模型.通过3个主要步骤对动作数据进行了处理,即小波转换,基于降维和K层交叉验证的主成分分析(PCA)以及自动寻优搜索获得SVM径向基核函数中的最佳参数σ和c,获得识别6种人体动作的最佳分类器.采用SVM(支持向量机)算法获得的动作分类器,在对不同动作识别时,得出的平均准确率达到94.5%.这表明基于人体动作识别的验证方法具有实用价值的,并在不久的将来会有进一步的提升.     

面向家庭服务的人体动作识别

为了提高家庭服务机器人的智能,提出了一种面向家庭服务的人体动作识别算法。首先,提出了利用运动历史图像自适应更新背景的方法,对家庭环境进行背景建模;然后,利用YCbCr图像与灰度图像二值化的综合消除阴影,从而实现人体分割与定位;最后,提出了基于高熵变化量的时空特征方法,并结合环境信息对人体进行动作识别。实验结果表明,提出的背景模型能较好的克服暂时停止运动的物体被背景吸收的问题,并能有效地对背景的纯净度进行评价,同时,根据提出的动作识别机制,结合家庭环境的布置知识总体识别率可以达到95%。基本可以满足机器人家庭服务的要求。     

基于肢体子图的图卷积人体动作识别

针对目前动作识别方法不能捕获肢体之间关联性关系特征问题,设计了基于肢体子图的图卷积动作识别方法.首先,为了捕获不同肢体的时空特征,将人体骨架图划分为相邻肢体有公共节点的4个肢体子图,分别表示相应的身体部位;其次,为了捕获不同肢体之间内在的关联性特征,设计了组合肢体子图,分别对肢体子图和组合肢体子图进行空间卷积,得到肢体...     

基于轮廓特征的人体行为识别

提出了一种以运动人体轮廓为特征,基于模板匹配的人体行为识别方法。首先,利用背景差分法和阴影消除技术提取运动人体轮廓;定义一种边界点-半径的轮廓描述方法,将时变的二维轮廓形状转换为对应的一维距离向量;以成本函数为特征向量,利用谱系聚类方法提取行为序列的关键姿态;最后,将关键姿态编码为行为字符串,利用编辑距离度量测试序列与标准序列间的相似性。实验结果表明,利用本文方法对人的6种日常行为进行识别,正确识别率达到84.3%以上,具有简单实用的特点。     

基于表面肌电信号特征的动作识别

文章对表面肌电信号的RMS特征和AR模型特征进行了分析,并利用采集到的原始表面肌电信号数据进行了RMS和AR参数的提取。利用提取的数据对上肢动作进行识别分析,结果表明双通道数据或多维数据联合分布能够有效的区分和识别相应的动作。     

人体动作数据编码与CNN精确识别

人体动作的精确识别面临多方面的挑战,特别是动作采集易受光照强度的影响、动作特征描述不清楚和易物理变形。为了降低这些不利因素的影响,提高动作的识别精确度,该文从3个步骤展开研究:首先,对Kinect提取的人体关节数据进行预处理,从而克服光照问题;随后,使用针对性编码方法对人体动作数据进行编码,进而利用卷积神经网络(convolutional neural network,CNN)自动提取人体动作特征,解决动作特征描述的难题;最后,使用SoftMax完成复杂动作的识别。实验表明,该文算法具有较高的识别准确率和泛化能力,其F₁值普遍在0.8以上;在单一属性测试中,复合属性数据比被复合的单一属性数据更有优势,F₁值可达0.916;混合属性测试的F₁值相比单一属性测试有所下降,下降幅度最高可达约25%。