针对当前人体动作识别算法中由于人体躯干遮挡而导致其检测精度不佳的问题,提出了一种基于加权三视角运动历史图像耦合时序分割的动作识别算法。首先,为了有效描述动作的形状和空间分布,从视频序列中提取运动历史图像(motion history im...针对当前人体动作识别算法中由于人体躯干遮挡而导致其检测精度不佳的问题,提出了一种基于加权三视角运动历史图像耦合时序分割的动作识别算法。首先,为了有效描述动作的形状和空间分布,从视频序列中提取运动历史图像(motion history image,MHI)。随后,应用深度相机(Kinect相机)来提取深度图像,以获取人体目标的动作前景轮廓。为了识别由于身体部位造成的自我遮挡,动作前景轮廓被投影到3个视角(3V)平面,形成3V-MHI,增强了对动作的正确提取,利用3V-MHI构造了一个用于记录观测运动轨迹的MHI,克服了单视角MHI的信息局限性。然后,利用时序分割(temporal segmentation,TS),根据相邻的3V-MHI来计算动作的能量和方向的变化,以检测运动的开始和结束,从而输出运动结果。此外,计算MHI的梯度值作为每个平面对应的权重,从而得到加权3V-MHI。最后,将提取的每个直方图运动模板与预先建立的数据库进行比较,完成动作的分类识别。实验表明,该方法能有效地解决自遮挡问题,在复杂环境和光照变化下有较高的准确性与鲁棒性。展开更多
针对当前常用的手势分割方法较难适应复杂的光照环境,提出了一种新的方法。该方法先从视频序列获取运动历史图像(Motion History Image,MHI),对MHI进行运动区域分割,然后在这些运动区域筛选出手势区域。为了克服手势区域分割偏大的问题...针对当前常用的手势分割方法较难适应复杂的光照环境,提出了一种新的方法。该方法先从视频序列获取运动历史图像(Motion History Image,MHI),对MHI进行运动区域分割,然后在这些运动区域筛选出手势区域。为了克服手势区域分割偏大的问题,提出了利用该区域内的当前运动轮廓做椭圆拟合,进而得到精度更高的手势分割结果。实验结果表明,提出的方法能够有效地分割出手势,并且和传统方法相比较更能适应不同的光照环境。展开更多
文摘针对当前人体动作识别算法中由于人体躯干遮挡而导致其检测精度不佳的问题,提出了一种基于加权三视角运动历史图像耦合时序分割的动作识别算法。首先,为了有效描述动作的形状和空间分布,从视频序列中提取运动历史图像(motion history image,MHI)。随后,应用深度相机(Kinect相机)来提取深度图像,以获取人体目标的动作前景轮廓。为了识别由于身体部位造成的自我遮挡,动作前景轮廓被投影到3个视角(3V)平面,形成3V-MHI,增强了对动作的正确提取,利用3V-MHI构造了一个用于记录观测运动轨迹的MHI,克服了单视角MHI的信息局限性。然后,利用时序分割(temporal segmentation,TS),根据相邻的3V-MHI来计算动作的能量和方向的变化,以检测运动的开始和结束,从而输出运动结果。此外,计算MHI的梯度值作为每个平面对应的权重,从而得到加权3V-MHI。最后,将提取的每个直方图运动模板与预先建立的数据库进行比较,完成动作的分类识别。实验表明,该方法能有效地解决自遮挡问题,在复杂环境和光照变化下有较高的准确性与鲁棒性。
文摘针对当前常用的手势分割方法较难适应复杂的光照环境,提出了一种新的方法。该方法先从视频序列获取运动历史图像(Motion History Image,MHI),对MHI进行运动区域分割,然后在这些运动区域筛选出手势区域。为了克服手势区域分割偏大的问题,提出了利用该区域内的当前运动轮廓做椭圆拟合,进而得到精度更高的手势分割结果。实验结果表明,提出的方法能够有效地分割出手势,并且和传统方法相比较更能适应不同的光照环境。