基于Kinect深度图像的动作识别-信号与信息处理专业论文.docxVIP

原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研 究所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人 或集体已经发表或撰写过的科研成果。对本文的研究做出重要贡献的个人和集 体，均已在文中以明确方式标明。本声明的法律责任由本人承担。 学位论文作者： 日期： 年 月 日 学位论文使用授权声明 本人在导师指导下完成的论文及相关的职务作品，知识产权归属郑州大学。 根据郑州大学有关保留、使用学位论文的规定，同意学校保留或向国家有关部 门或机构送交论文的复印件和电子版，允许论文被查阅和借阅；本人授权郑州 大学可以将本学位论文的全部或部分编入有关数据库进行检索，可以采用影印、 缩印或者其他复制手段保存论文和汇编本学位论文。本人离校后发表、使用学 位论文或与该学位论文直接相关的学术论文或成果时，第一署名单位仍然为郑 州大学。保密论文在解密后应遵守此规定。 学位论文作者： 日期： 年 月 日 摘要 人体动作识别由于其在视频安防和人机交互等领域的广泛应用，一直以来 都是计算机视觉和模式识别等多个交叉学科的研究热点。传统的动作识别算法 主要针对二维图像或彩色视频序列开展了大量的研究，提出了很多经典的图像 处理方法，但是由于二维图像本身的数据缺陷，使得这些算法容易受到光照变 化、遮挡等环境因素的影响，动作识别率不太理想。随着计算机视觉技术和硬 件设备的发展，人们发现通过 Kinect 设备获取的深度图像可以不受光照变化、 遮挡和视角变化等的影响，因此，越来越多的科研工作者开始基于深度图像的 动作识别算法的研究。 从视频或图像中提取到用于表征人体动作的关键运动信息是动作识别的重 要步骤。本文针对基于深度图像的动作识别方法进行研究，探索动作识别中特 征提取的新思路，具体内容如下： 第一，对基于深度图像的运动历史图（Motion History Image, MHI）和静态 历史图（Static History Image, SHI）等动作表征方法进行了介绍，在深入研究之 后对其进行了改进优化，使得运动历史图和静态历史图能够保留更关键的运动 信息，并且将 LBP（Local Binary Pattern）特征描述子引入了动作识别算法中， 在特征表示之后对特征模板提取了 LBP 特征，得到用于分类的特征向量，最后 使用支持向量机（Support Vector Machine, SVM）进行分类。通过在公开数据库 上的仿真实验对比显示了我们提出的方法的有效性。 第二，提出了基于运动能量自适应划分的子动作运动历史图，该方法能够 根据运动能量的累积自适应地将整个动作分成若干个子动作，得到各个子动作 的运动历史图并将其作为特征模板。之后，再进一步对该模板图像提取 HOG 描 述子和 LBP 描述子并分别使用 SVM 分类器进行学习分类。通过实验结果的对 比表明所提出的方法能够更好的捕捉到表示动作的关键运动信息，尤其对于相 似度较高的动作有着很好的分辨能力。 关键词：动作识别 深度图像 Kinect 运动历史图 静态历史图 局部二值模式 梯 度方向直方图 I Abstract Human behavior recognition is a widely research topic in computer vision, pattern recognition, image processing and artificial intelligence field, because of its wide application in the field of intelligent security and human-computer interaction. The traditional recognition methods mainly focus on two-dimensional image or color video sequence. There are many classical image processing methods are proposed. However, due to the defects of 2D image data, these algorithms are vulnerable to changes in illumination, occlusion and other environmental factors, and the recognition rate is not too good. With the development of computer vision technology and hardware, people found the d