基于BSCPs-RF的人体关节点行为识别与预测

摘要：

针对人体关节点序列的连续行为识别问题,提出了一种基于BSCPs-RF(B-spline control points-random forest)的人体关节点信息行为识别与预测方法.首先采用局部线性回归与单帧关节点归一化法预处理关节点序列,以此消除抖动噪声、位移和尺度的影响;然后以B样条曲线控制点作为速度无关的关节点序列特征,并采用同步语音提示词法标注实时行为序列以提高样本采集效率;最后采用基于随机森林的行为识别与预测方法,并以集成学习方法优化多分类器组合以提高识别精度.实验分析了不同参数值对识别效果的影响,并分别在测试数据库MSR-Action3D以及RGB-D设备采集的实时数据集中进行测试.结果显示,MSR-Action3D测试结果优于部分先前方法,而实时数据测试中该方法具有很高的识别精度,进而验证了该方法的有效性.

关键词：人体关节点信息、行为识别、随机森林、行为预测、集成学习

所属期刊栏目：39

分类号：TP391(计算技术、计算机技术)

资助基金：国家863计划2015AA016404-4

在线出版日期：2017-11-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：795-802