基于耦合多隐马尔可夫模型和深度图像数据的人体动作识别

为解决使用RGB图像进行特征提取时容易受外界因素干扰,且计算复杂度高等问题,采用一种更加有效的解决方案,即使用深度数据进行人体动作识别。利用Kinect采集的关节点数据,首先将人体关节划分成五个区域,对每个区域的向量夹角离散化从而描述不同的状态,再通过Baum-Welch算法学习出各区域的多隐马尔可夫模型(multi-HMM),并使用前向算法建立生成区域与动作类别概率矩阵。在此基础上,对区域及动作类别进行内耦合和间耦合分析,从而表达各关节点之间的交互关系。最后使用基于耦合的K最邻近(KNN)算法完成整体的动作识别。通过实验测试对五种动作的识别率均达到90%以上,并与3D Trajectories等方法进行对比,实验得到的综合识别率高于对比方法,具有明显的优势。

基于隐马尔可夫模型的多摄像头人体对象的目标识别

在非重叠多摄像机系统的人体对象目标识别中,针对基于单幅图片的识别算法不能较好处理对象表观和视角变化的问题,提出基于人体图像序列的算法。该算法用隐马尔可夫模型(HMM)融合多幅图片的特征,先考虑人体结构的约束,将人体图像在垂直方向上划分为多个相等的图像区域;然后采用多层阈值分割算法提取区域代表性颜色特征(SRC)和标准差特征(SSV);再用每个人体对象的多幅图片提取的特征数据集训练该对象的连续密度HMM;最后利用训练的模型实现人体对象的目标识别。该方法在两个公开数据集上进行的实验都获得了较高的识别率,提高了对摄像头视角变化、低分辨率的鲁棒性,且简单易实现。