基于多视图半监督学习的人体行为识别

摘要：

由于人的行为在本质上的复杂性,单一行为特征视图缺乏全面分析人类行为的能力.文中提出基于多视图半监督学习的人体行为识别方法.首先,提出3种不同模态视图数据,用于表征人体动作,即基于RGB模态数据的傅立叶描述子特征视图、基于深度模态数据的时空兴趣点特征视图和基于关节模态数据的关节点投影分布特征视图.然后,使用多视图半监督学习框架建模,充分利用不同视图提供的互补信息,确保基于少量标记和大量未标记数据半监督学习取得更好的分类精度.最后,利用分类器级融合技术并结合3种视图的预测能力,同时有效解决未标记样本置信度评估问题.在公开的人体行为识别数据集上实验表明,采用多个动作特征视图融合的特征表示方法的判别力优于单个动作特征视图,取得有效的人体行为识别性能.

关键词：人体行为识别、多视图学习、半监督学习、动作特征、Kinect传感器

所属期刊栏目：32

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金项目61673249,61672204,61806068;安徽省自然科学基金面上项目1908085MF184;安徽高校自然科学研究重点项目KJ2018A0556,KJ2018A0555;安徽高校优秀拔尖人才培育基金项目gxfx2017099, gxyqZD2017076;合肥学院人才科研基金项目16-17RC 19;合肥学院教学研究重点项目018hfjyxm09

在线出版日期：2019-05-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：376-384