论文部分内容阅读
人体行为识别是一个新兴的研究领域,其涉及到图像处理、模式识别、人工智能等多门学科,并在智能监控、人机交互、智能机器人、虚拟现实和运动分析等领域有着广泛的应用。本文通过使用微软的Kinect体感设备,围绕小范围空间内的人体行为识别问题,重点研究了Kinect平台下的行为表示方法和行为识别方法,并设计了基于Kinect的实验系统作为研究平台,主要工作如下:在了解Kinect基本构造和性能的基础上,本文分别设计实验对其深度信息感知能力和人体关节点识别能力进行了测试,并综合实验结果确定了本文使用Kinect进行人体行为识别研究的实验条件,为下一步研究工作的开展奠定基础。如何有效的提取行为表示特征量是人体行为识别研究的关键。针对Kinect的数据特点,本文提出了基于人体结构信息的行为表示方法:首先以关节点构造人体结构向量,然后选用结构向量问的向量角和向量模比值的组合创建人体姿态描述向量,最后以姿态描述向量序列作为行为表示特征量。实验表明该特征量具有平移和缩放不变性,且易于求解,信息丰富,完全满足本文行为识别研究需要。行为识别方法研究是本文的另一部分重要内容。本文重点研究了基于BP神经网络和DTW算法(Dynamic Time Warping)的人体行为识别技术。对于BP神经网络,通过实验确定了BP神经网络结构参数。对于DTW算法,重在选择特征矢量相似度计算法则和算法优化,同时设计了行为搜索方法用于实现基于DTW算法的在线行为识别。最后本文针对特定实验情景设计了一种综合利用人体关节点、场景深度和视觉等信息的人体行为识别方法,并进行了实验测试。为完成研究工作,本文设计并开发了Kinect实验系统和其他一些工具软件。通过大量的实验测试表明本文采用的BP神经网络和DTW算法均取得较好的识别效果,这说明本文设计的行为表示和行为识别方法的可行性。本文的研究工作具有一定的应用前景和学术价值,同时也对后续的研究开发具有借鉴作用。