基于流形学习的人体动作识别

摘要：

目的 提出了一个基于流形学习的动作识别框架,用来识别深度图像序列中的人体行为.方法 从Kinect设备获得的深度信息中评估出人体的关节点信息,并用相对关节点位置差作为人体特征表达.在训练阶段,利用LE(Lalpacian eigenmaps)流形学习对高维空间下的训练集进行降维,得到低维隐空间下的运动模型.在识别阶段,用最近邻差值方法将测试序列映射到低维流形空间中去,然后进行匹配计算.在匹配过程中,通过使用改进的Hausdorff距离对低维空间下测试序列和训练运动集的吻合度和相似度进行度量.结果 用Kinect设备捕获的数据进行了实验,取得了良好的效果;同时也在MSR Action3D数据库上进行了测试,结果表明在训练样本较多情况下,本文方法识别效果优于以往方法.结论 实验结果表明本文方法适用于基于深度图像序列的人体动作识别.

关键词：Kinect sensor、人体动作识别、流形学习、Hausdorff距离、深度数据

所属期刊栏目：19

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61303142,61173096,61103140;浙江省自然科学基金项目Y1110882,Y1110688,R1110679,LY13F020034;教育部高等学校博士学科点专项科研基金项目20113317110001;浙江省教育厅一般科研项目Y201330304

在线出版日期：2014-07-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：914-923