基于AdaBoost算法特征提取的人体动作识别方法
2014-01-22姬晓飞李一波
沈阳航空航天大学学报 2014年2期
姬晓飞,周 路,李一波
(沈阳航空航天大学自动化学院,沈阳110136)
基于视觉的人体运动分析在智能视频监控、高级人机交互、虚拟现实和基于内容的视频检索分析等方面有着广泛的应用前景和潜在的经济价值,已经成为计算机领域中备受关注的研究方向之一[1]。
目前存在多种运动特征表示的方法,如基于人体侧影和轮廓[2]的静态特征表示、基于光流和运动轨迹[3]的动态特征表示、基于时空体数据的时空特征[4-5]表示等等。其中基于时空体数据的时空特征中最常用的是基于时空兴趣点的特征,其对噪声、遮挡等影响具有较强的鲁棒性,对于相机运动和低分辨率的视频输入等更具适应性,因此应用较广。但基于兴趣点的原始特征往往维数过高,影响识别速度。因此大量的研究工作着力于如何在不降低识别率的基础上,合理降低特征维数。文献[5]提出了一种基于兴趣点的静态、动态、时空特征的表示方法。该方法首先提取运动序列的兴趣点特征,并在训练样本特征空间中利用K-means聚类的方法构造时空码本分类器,然后将测试样本的所有兴趣点特征表示为基于时空码本的统计直方图用于分类识别。此类方法证明了基于兴趣点时空特征(3D SIFT)的优越性,利用K-means聚类的方法对原始特征进行聚类,生成码本来降低特征空间的维数,减少识别的复杂度。但聚类初始参数和聚类的维数只能凭经验确定,很难得到一个准确的值,聚类参数的选取对识别结果的影响较大。……
登录APP查看全文
