人體運動判別特征提取及分類方法研究.pdf

1、人類每天連續(xù)地從事著大量的活動。我們不自覺的識別理解這些活動，同時跟其他人與環(huán)境進(jìn)行互動和交流。如果機器跟計算機也能像人類一樣有效的理解到人類的手勢，一個新世界的篇章將被翻開，充斥著大量的協(xié)助人類生活的應(yīng)用。這個對社會重大的利益將激發(fā)基于機器的手勢識別的研究，這些研究已經(jīng)在大量的應(yīng)用中展示了一些初級的優(yōu)勢。例如，手勢可以用來對機器人發(fā)送指令，或者代替例如觸摸屏或者鼠標(biāo)等便準(zhǔn)輸入的計算機程序。
　　本文提出了一種基于抽取自RGB-D

2、數(shù)據(jù)的時空特征的人類手勢的識別系統(tǒng)框架，此系統(tǒng)能夠有效的抽取特征及有效的識別人類手勢，其中一個單獨的用例也是可以有效的用來訓(xùn)練。通常說來，我們的框架大致分為兩部分，特征抽取及分類。它們兩者都嚴(yán)重的影響著識別的效果。
　　1.Shi-Tomasi邊緣檢測算法被用來檢測一幅圖像中運動區(qū)域的關(guān)鍵興趣點，在每一幀的GRB跟深度圖的不同層次上。當(dāng)檢測興趣點時，可能會檢測到一些無效的點，所以我們應(yīng)用了Lucas-Kanade跟蹤及過濾方法。使

3、用Lucas-Kanade方法，每個在金字塔不同層次上的興趣點的速度都被計算出來。然后，只有滿足運動約束的那些點才被篩選出來。
　　2.改良的GradientLocation and Orientation Histogram(GLOH)被應(yīng)用到魯棒的關(guān)鍵興趣點描述子的捕獲中。改良的GLOH從原始量的16bins降低至8bins從而生成了136個描述子向量。識別率幾乎是想等的，但是計算時間幾乎是改良的GLOH的一半。
　　3

4、.為了學(xué)習(xí)判別性模型，從訓(xùn)練樣本中提取的所有特征采用K聚類的方式，來學(xué)習(xí)一個視覺碼本。我們使用SOMP的稀疏編碼方法來獲得描述碼，該描述碼將每一個特征映射到某個視覺碼本中。
　　4.為了識別手勢，我們提出一種基于K近鄰的分類方法來學(xué)習(xí)和分類手勢。對于一個訓(xùn)練集中的每一個視頻，產(chǎn)生本地動作。所有產(chǎn)生的數(shù)據(jù)集都被聚類。使用K近鄰的方法來分析測試集中的手勢。根據(jù)對給定的手勢進(jìn)行投票，按照識別的概率，視頻可以被分類。在對CGD的動作識別中