蒋韦晔，刘成明

(郑州大学 软件学院 河南 郑州 450002)

0 引言

HAR可以覆盖多种应用，例如基于内容的视频分析和检索、视觉监视和人机交互。对HAR的初步研究基于RGB摄像机。然而，由于RGB摄像机的灵敏度受混乱背景和光照条件的影响，其鲁棒性较差。低成本的深度相机对基于深度HAR领域的研究产生了深远影响，在该领域中，相机拍摄的图像对照明变化和背景杂乱不敏感，从而增强了动作识别效果。

对于动作识别问题，深度运动图(deep motion map，DMM)会从输入深度数据中捕获形状和运动提示，然后将数据从3D转换为2D。DMM是3个正交笛卡尔平面上的投影深度框架之间的累积差异。文献[1]中，深度图像通过投影和累积来生成DMM定向梯度直方图(DMM-histogram of oriented gradients,DMM-HOG)特征描述符[1]。在DMM-HOG中，对均匀间隔的单元格计算梯度方向直方图，并执行局部对比度归一化，以减少类内差异。文献[2]使用了深度运动图的局部二值模式(deep motion map-local binary pattern，DMM-LBP)特征描述符，其性能优于基于DMM-HOG的特征描述符[2]。LBP运算简单，并且具有旋转不变性。DMM和LBP的组合提供了有效的基于块的重叠功能。特征提取后，可以使用主成分分析(principal component analysis,PCA)减小特征尺寸。对于动作分类，通常使用KELM方法，与支持向量机的多类别分类相比，它具有更好的泛化性能，并且训练时间较少，KELM模型阶数随样本数量线性增长[3]。文献[4]使用ELM方法进行动作分类。在ELM的训练阶段未修改隐藏参数，因而可能存在许多节点，这些节点在最小化目标函数方面的贡献较小。通过优化ELM的网络参数可以提高它的性能。近年来，差分进化(differential evolution,DE)在增强ELM的性能方面已获得普遍应用。……