基于全局信息的人體運動識別.pdf

1、人體運動分析一直以來都是科研領(lǐng)域的熱點，它是對計算機視覺，機器學(xué)習(xí)等學(xué)科的綜合應(yīng)用。早期的人體運動分析研究都是基于RGB圖像而展開的，但其準(zhǔn)確率受到光照，遮擋，視角變化等因素的影響較大?；谏疃葓D像的算法不僅能夠提供3D骨骼數(shù)據(jù)，而且受光照，視角變化等外界因素的影響較小。近年來隨著深度攝像頭的普及以及提取3D骨骼數(shù)據(jù)技術(shù)的成熟，基于3D骨骼數(shù)據(jù)的人體運動分析研究逐漸成為該領(lǐng)域的新熱點。
　　人體運動分析包括兩個重要部分：運動分割和

2、運動識別。運動分割是把運動數(shù)據(jù)按類別屬性分割成若干片段。運動識別則是識別運動數(shù)據(jù)所屬的動作類別，如：跑，走路，跳等。由于個體的運動差異，運動復(fù)雜性，以及運動捕獲數(shù)據(jù)受器材的精密程度等外部環(huán)境的影響，對運動數(shù)據(jù)進行運動分析是一項具有挑戰(zhàn)性的工作。
　　在運動分割方面，本文在已有的分割算法基礎(chǔ)上進行深入分析，提出了一種自適應(yīng)聚類分割算法。該算法首先利用轉(zhuǎn)折點偵測算法對運動序列進行粗略分割，將運動序列分割成若干片段。然后引入最大均值差異

3、算法來衡量各片段之間的相似性，并結(jié)合主成分分析算法對描述各片段相似性的矩陣進行分解，進而確定運動序列包含的運動種類數(shù)。最后利用分層聚類算法分割出每個運動中的周期運動，實現(xiàn)精細分割。該方法不僅能對運動種類數(shù)未知的運動序列進行分割，而且對運動序列中所有的運動進行了聚類標(biāo)注。
　　在運動識別方面，本文提出了一種基于全局信息的特征表示方法。由于深度攝像頭捕獲的3D骨骼數(shù)據(jù)含有大量噪聲，早期的特征表示采用的是局部特征，因此它們不能很好的抑制

4、噪聲對識別準(zhǔn)確率的影響。由于人體的運動具有時序性和平順性，基于全局信息的特征表示對噪聲的抑制效果更明顯。在此基礎(chǔ)上，本文將同一運動的同一個關(guān)節(jié)點在同一坐標(biāo)軸方向上的所有歐拉角擬合成獨立的高斯模型，然后利用關(guān)節(jié)點的歐拉角對應(yīng)的高斯權(quán)值進行特征表示，最后結(jié)合隱馬爾科夫模型進行運動識別。因為采用了全局信息的特征表示，本文的方法能在噪聲環(huán)境下實現(xiàn)較高準(zhǔn)確度的運動識別。
　　最后，本文在不同基準(zhǔn)數(shù)據(jù)庫和自建數(shù)據(jù)上進行實驗，通過對實驗結(jié)果的對