论文部分内容阅读
近年来,随着人工智能的兴起,计算机视觉技术的应用需求不断提高,对人类行为识别的研究也显得至关重要。人体行为识别在智能监控、人机交互、视频检索和标注、运动分析等方面都有着广阔的应用前景。因此,人体行为识别受到越来越多的关注。本文通过对骨骼序列数据的骨骼关节点提取行为局部特征,采用局部向量聚合描述符将局部特征聚合成粗分类特征向量,并对其二次特征提取,提高特征信息判别度。通过实验验证了本文所提出的算法的有效性,本文的主要工作包括以下几个方面:首先对骨骼数据进行统一描述,由于本文采用的三个数据集的骨骼表示形式不统一,MSR-Action 3D dataset和UT Kinect-Action 3D dataset骨骼数据由20个节点表示,Florence 3D Actions datasets骨骼数据由15个节点表示。为了在下一阶段提取行为局部特征做准备,本文使用基于NITE模型提取骨骼数据,把骨骼模型统一化为15个节点的表示形式,并对骨骼数据进行均值滤波。然后对处理好的骨骼提取局部行为特征,本文按照由中间到四肢的原则将表示骨骼的15个关节点分为若干小组,每一组作为一个局部特征,对骨骼序列提取相对位移特征和相对位置特征两种形式的特征,把两种特征结合起来作为局部特征,并用局部向量聚合描述符算法(Vector of locally Aggregated Descriptors,VLAD)将局部特征表示成一个维度一定的特征向量。最后用大间隔最邻近算法(Large Margin Nearest Neighbor,LMNN)对行为特征进行二次特征提取,用随机梯度下降算法全局寻优求解出度量矩阵,用原始特征和度量矩阵作用既可以有效的对特征进行降维,又能提高特征信息的判别度。使用K最近邻(K-Nearest Neighbor,K-NN)和支持向量机(Support Vector Machine,SVM)分类算法在MSR-Action 3D dataset、UT Kinect-Action 3D dataset和Florence 3D Actions datasets中做了试验分析,通过实验表明,通过对行为特征二次提取,识别率提高了5%左右。