论文部分内容阅读
人体行为识别是计算机视觉研究的重要课题之一,对人体行为识别进行研究是为了让机器去理解人,使机器帮助人来完成某些任务,同样也可以帮助人更好的了解自身的运动特性。目前人体行为识别在智能监控、人机交互界面、运动分析等领域有着广泛的应用前景。人体行为识别一般分为:运动检测、特征提取和行为识别三个步骤,通过运动检测将图像序列中人体运动的前景图像分割出来,然后从前景图像中提取行为特征,用于行为的分类与识别。因此本文主要围绕这三个步骤和其所采用的方法展开研究工作。首先,本文介绍了几种常用的帧间差分法和背景差分法。其中加权累积差分法相对于两帧差分法和三帧差分法能够检测出更为完整的人体运动前景,并且与平均背景模型、混合高斯背景模型和Codebook背景模型相比,加权累积差分法不需要对背景进行建模和更新,因此具有简单快速的优点。由于加权累积差分法需要人工选取权值经验公式,会给算法设计和应用带来不便,因此本文提出了一种改进的加权累积差分法,通过根据差分图像间的相似度来计算对应的权值,使得其能够的检测出更为完整人体运动的前景,减少噪声的累积,并且通过结合行为识别结果证明了该方法的有效性。其次,通过采用关键帧模板选取方法和图像分块方法相结合用于基于图像区域的行为表示和特征提取,根据计算出模板的每个分块中前景像素数量占该块像素数量的比例,将其用于构成该模板的特征向量。针对基于骨架关节点特征的行为表示和特征提取,采用Kinect来提取人体运动时骨架关节点的坐标,并通过K均值聚类将其转化为符号序列用于表示行为特征,用于基于状态空间的人体行为识别。最后,介绍了贝叶斯分类器和支持向量机,并将其用于基于模板匹配的行为识别,分别取得了80%和84.44%的平均识别率,证明了支持向量机处理小样本、非线性、高维数的行为识别任务时能取得良好效果。对于状态空间法,介绍了隐马尔可夫模型,并结合Kinect获取的骨架关节点坐标特征用于行为识别,取得了94%的平均识别率。