目 录
第1章绪论 (1)
1.1 研究背景和意义 (1)
1.2 行为识别方法介绍 (2)
1.3 行为识别现存问题 (4)
1.4 主要工作与内容安排 (5)
1.4.1 本文的主要工作 (5)
1.4.2 本文的内容安排 (5)
第2章深度序列的行为识别 (7)
2.1 深度序列行为识别框架 (7)
2.2 深度序列定义 (8)
2.3 深度数据的获取 (9)
2.3.1 捕获过程 (10)
2.3.2 数据表示 (11)
2.3.3 滤波和去噪 (11)
2.4 深度序列的行为识别 (12)
2.4.1 3D轮廓的行为识别 (13)
2.4.2骨架关节及身体部位的跟踪识别 (13)
2.4.3局部时空特征的行为识别 (14)
2.4.4局部占用特征的行为识别 (15)
2.4.5 3D光流的行为识别 (15)
2.5本章小结 (16)
第3章 HOGD和LBP融合特征的人体行为识别 (17)
3.1相关研究工作 (17)
3.2 HOGD和LBP融合特征提取 (19)
3.2.1 HOGD特征 (19)
3.2.2 LBP特征 (22)
3.2.3 PCA降维 (23)
3.2.4特征融合 (24)
3.3 融合特征的行为分类 (24)
3.4 实验结果与分析 (25)
3.4.1 DHA数据集 (25)
3.4.2实验结果与分析 (26)
3.5 本章小结 (27)
第4章时空局部法向量特征的人体行为识别 (29)
4.1相关研究工作 (29)
4.2时空兴趣点提取 (30)
4.2.1 时空滤波 (30)
4.2.2 噪声抑制 (31)
4.3 时空局部法向量特征描述 (32)
4.3.1 表面法向量 (32)
4.3.3 法线直方图 (33)
4.4 时空局部法向量的行为表示 (34)
4.5 时空局部法向量行为分类 (35)
4.6 实验结果与分析 (36)
4.6.1 MSRAction3D数据集实验结果 (36)
4.6.2 MSRDailyActivity3D数据集实验结果 (38)
4.6.3结果分析 (40)
4.7 本章小结 (40)
第5章总结与展望 (41)
5.1 总结 (41)
5.2 展望 (42)
参考文献 (44)
致谢 (49)
硕士学位期间学术论文及研究成果 (50)
基于深度序列的人体行为识别研究
第1章绪论
1.1 研究背景和意义
随着社会发展程度和智能化水平的提高，人们对视频监控的要求越来越高，尤其在智能监控，医疗监护和人机交互等方面对技术的要求越来越高。很多现有的视频监控技术都不能满足人们对日常生活的要求。自2000年以来，视频监控已经从原来视频传感器采集，人眼识别阶段到了计算机同步采集和分析阶段。计算机仿佛被装上了“大脑”，能够对采集的视频数据进行分析。人工智能在视频监控领域得到越来越广泛的应用。在计算机视觉领域中，人体行为的识别与分析越来越受到研究者的关注，并逐渐成为研究热点。人体行为的识别和理解大多被用于智能监测领域。在智能监测领域中，很多方面与人们的日常生活息息相关，如在一些银行，商场等公共场所对可疑对象异常行为的检测；对广场，学校，车站等人员较多地方进行监控，可以及早发现突发事件，并对其进行及时处理；在智能交通方面，可以根据监控到的人员流动状况，智能的调整信息，最大限度的进行分流，对一些违反交通规则的行为也能及时检测；在智能看护方面，对监测到的被看护人员情况及时更新，随时处理。因此，行为识别有较好的理论研究价值和应用前景。
通过对获取的图像、视频数据进行处理，分析，理解，计算机能够很好的对单个人体，人物交互，以及群体交互的行为进行识别和理解[1]。由于光照变化，遮挡，阴影，复杂环境等因素的影响，对行为的精准检测、识别、理解一直是计算机视觉领域研究的困难。而且行为识别包含多个研究领域的交叉，这给研究工作的进行增加了新的困难。在图像的采集上要使用传感器技术，图像的处理是计算机视觉方面的知识，对行为的识别和理解又是模式识别的范畴，而计算机视觉和图像识别又是人工智能的分支。总之，行为识别是一个多学科的交叉领域，其技术的发展一定可以推动相关领域的向前发展。现在，很多著名的高校和科研机构都在对行为识别进行研究。国外方面有美国的卡耐基梅隆大学[2]和麻省理工学院[3]等，英国的雷丁大学[4]等。国内方面比较著名的研究机构有微软亚洲研究院[5]，中科院自动化研究所等。比较著名的高校如清华大学[6]等。在国内外的一些权威期刊和顶级会议上，有关行为识别的研究也不断增加，尤其是进入2000年以来，更是急剧增多。
人体行为具有多种不同的分类方法。在不同的环境下，人的活动具有不同的形式，从简单的动作到复杂的活动。它们可以在概念上分为四类：原子动作，包含不同动作序列的行为，包括人物交互的行为交互以及群体行为。原子行为识别研究已经发展了很多年，而复杂行为和交互行为的研究近几年也受到关注。由于