基于关节数据和极限学习机的人体动作识别-模式识别与智能系统专业论文.docxVIP

声 声 明 本学位论文是我在导师的指导下取得的研究成果，尽我所知，在 本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发 表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学 历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均 己在论文中作了明确的说明。 研究生签名：盘竺么 硼小年3月33日 学位论文使用授权声明 南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅 或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送 交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对 于保密论文，按保密的有关规定和程序处理。 研究生签名：丞壁名 为u年3月3。日 硕士学位论文 硕士学位论文 基于关节数据和极限学习机的人体动作识别 摘 要 随着技术的发展，人体运动捕捉数据在人机交互、交互式娱乐、以及教育、 医疗等领域得到广泛应用。人体动作的识别作为计算机视觉领域的一个难题， 成为体感游戏、安全防护以及多媒体信息的检索中的关键技术，因此提高人体 动作的识别率至关重要。 本文在现有的动作特征描述符的基础上，对特征和分类器作出改进，并在 微软MSR—Action3D数据集和波恩大学HDM05运动捕捉数据集上进行实验， 得到良好的分类效果。本文的主要工作内容及贡献如下： (1)在Hussein等提出的协方差描述符和方向位移直方图(HOD)描述符的基 础上，将二者合并生成了同时能在静态上反映关节位置关联信息和动态上反映 各关节位置变化信息的新的组合描述符，并使用极限学习机(Ex仃eme Le锄ing Machine，ELM)对其分类，得到较好的识别效果。 (2)将线性回归分类器的原理引入到极限学习机中，对极限学习机进行改 进，以实现对动作数据分类的目的，并在上述两个数据集上进行实验，得到较 原始ELM算法更好的识别效果。 (3)将稀疏表示分类器的原理应用到极限学习机中，对随机投影到高维空 间的人体动作样本采用稀疏表示分类器进行分类。在MSR—Action3D数据集上 进行对比实验，在分类器隐藏层节点数较高时获得全面优于原始ELM算法的识 别效果。 (4)为提高ELM在隐藏层节点数较大的情况下对人体动作特征识别的抗过 拟合效果，将Dmpout学习策略应用到极限学习机中，并在MSR．Action3D数 据集上进行实验，结果表明在隐藏层节点数较大的情况下，该方法有较好的识 别效果。 关键词：人体动作识别，人体关节数据，协方差描述，方向位移直方图， 极限学习机，线性回归，稀疏表示，Dropout策略 Abstract Abstract 硕士学位论文 Abstract With the deVelopment of tecllIlology，the human motion capnlre d渤is widely applied in a lot of fields such as humall-machine interaction， interactive entertailunent as weU as education，health care and others，due to its a_bilit)，to maintain the details and the strong sense of reaIi哆．And huHlan action recognition， as a problem in the field of computer Vision，becomes the key tecllnology of somatosensory g锄es，security aIld the retrieval of multimedia infornlation，so it’s criticalto increase t11e perforHlance of human action recogllition． In this thesis，we improVe the feature锄d classifier based on the existing f色ature descriptor of human action．And we experimemed both on MicrosoR MSR-Action3D dataSet aJld the HDM05 Mo—c印dataset of Bo衄UniVersi饥we got good classmcation results．The main work and the contributions of mis thesis is sho、vn as f．01lows： (1)Based on the CoVariance