一种基于深度运动轨迹的人体动作识别方法

摘要

本发明公开了一种基于深度运动轨迹的人体动作识别方法，实现对基于深度信息的人体动作鲁棒描述和识别。具体包含以下步骤：（1）视频预处理，（2）多尺度空间构建，（3）各尺度空间的空间网格化及特征点选取，（4）特征点跟踪，（5）基于深度运动轨迹的描述（6）基于“词袋”方法的特征归一化，（7）基于SVM的动作识别。本发明的优点是通过深度运动轨迹对人体运动进行描述，具有非常好的鲁棒性和有效性，实现了高效的人体动作识别。

主权项

一种基于深度运动轨迹的人体动作识别方法，实现对基于深度信息的人体动作的鲁棒描述，具有非常好的鲁棒性和有效性，其特征在于该方法具体包含以下步骤：第1、视频预处理由于从设备中采集的深度数据包括许多噪声、空洞，所以需要使用平滑和修补算法过滤噪声和修补空洞；对于经过上述处理的数据，由于含有复杂的背景，这些背景会对后续的处理造成干扰，所以需要根据距离信息先将人体和背景进行分割，并尽可能的保留人体；第2、多尺度空间图像构建在对深度图像序列预处理后，为了能够获得更为鲁棒的点，对每幅图像进行尺度构建，从而获得多尺度空间图像；第3、各尺度空间图像的网格化及兴趣点的提取在多尺度图像的基础上，对多尺度图像分别进行网格化，使得每个网络中尽量包含相同数目的像素，然后，在每个网格内，选取一个兴趣点作为待跟踪特征点，并保存对应点的位置信息；第4、特征点跟踪针对已经选择的待跟踪特征点，使用光流法进行跟踪，并保留每一步的跟踪结果和对应的位置信息；第5、基于深度运动轨迹的描述在特征点跟踪的基础上，针对跟踪前后的特征点，相邻位置做差，将这些差值串联起来，构成了运动轨迹，同时，以跟踪的长度对运动轨迹进行归一化；在此基础上，针对每个点，以HOG‑HOF描述子对兴趣点的轨迹信息进行描述；第6、码书构建和基于“词袋”的特征归一化在这些提取时空兴趣点的基础上，采用K‑means方法，针对第4步提取的时空兴趣点和第5步中对兴趣点的描述，采用“词袋”方法对这些兴趣点进行归一化，并保存对应的结果；第7、基于SVM的动作识别根据第6步所获得的特征，根据训练集样本，采用交叉认证方法训练一个多类支持向量机分类器，其中支持向量机的核函数为径向基核函数；这样，通过训练，可以获得对应模型的参数，构建了SVM分类器模型，完成动作识别。