摘要：为了解决类能量图易受人体运动时间和位置移动等因素影响而难以有效描述动作细节特征的问题,本文提出了一种基于类能量图金字塔梯度直方图(PHOG)融合特征和多类别Adaboost分类器的人体行为识别方法。该方法首先对经过躯体配准的运动人体目标轮廓图像构造平均运动能量图(AMEI)和增强的运动能量图(EMEI),分别提取其分层梯度方向直方图(PHOG)特征并进行串联融合,作为一种多层次的行为特征描述;然后使用基于查找表的LUT-Real Adaboost算法设计多类别分类器,实现图像中人体行为动作的识别。实验结果显示其在典型的人体动作数据集DHA上的正确识别率达97.6%,高于其它采用单一特征描述和SVM等分类器的方法。表明该方法将整体与局部特征相结合,可以有效描述不同尺度下的动作细节特征,增强了人体行为特征的描述能力,提高了识别性能。

摘要：利用机器视觉进行人体动作识别的方法大多数基于手工特征并需要先验知识,这类方法不可避免地依赖于特定问题而忽略了视觉信息的内在结构。提出了一种利用自学习特征及姿态组合规则进行有效动作识别的新方法。使用稀疏自编码(SAE)网络提取轮廓图像的结构特征并构造姿态码本。在识别阶段,使用隐马可夫模型(HMM)训练不同动作类别的模型。设计了一种关键帧提取算法用于在训练HMM前降低长序列的冗余度。通过仿真实验验证了该方法的有效性。