基于關節(jié)數(shù)據(jù)和極限學習機的人體動作識別.pdf

1、隨著技術的發(fā)展，人體運動捕捉數(shù)據(jù)在人機交互、交互式娛樂、以及教育、醫(yī)療等領域得到廣泛應用。人體動作的識別作為計算機視覺領域的一個難題，成為體感游戲、安全防護以及多媒體信息的檢索中的關鍵技術，因此提高人體動作的識別率至關重要。
　　本文在現(xiàn)有的動作特征描述符的基礎上，對特征和分類器作出改進，并在微軟MSR-Action3D數(shù)據(jù)集和波恩大學HDM05運動捕捉數(shù)據(jù)集上進行實驗，得到良好的分類效果。本文的主要工作內(nèi)容及貢獻如下:
　

2、　(1)在Hussein等提出的協(xié)方差描述符和方向位移直方圖(HOD)描述符的基礎上，將二者合并生成了同時能在靜態(tài)上反映關節(jié)位置關聯(lián)信息和動態(tài)上反映各關節(jié)位置變化信息的新的組合描述符，并使用極限學習機(Extreme LearningMachine,ELM)對其分類，得到較好的識別效果。
　　(2)將線性回歸分類器的原理引入到極限學習機中，對極限學習機進行改進，以實現(xiàn)對動作數(shù)據(jù)分類的目的，并在上述兩個數(shù)據(jù)集上進行實驗，得到較原始E

3、LM算法更好的識別效果。
　　(3)將稀疏表示分類器的原理應用到極限學習機中，對隨機投影到高維空間的人體動作樣本采用稀疏表示分類器進行分類。在MSR-Action3D數(shù)據(jù)集上進行對比實驗，在分類器隱藏層節(jié)點數(shù)較高時獲得全面優(yōu)于原始ELM算法的識別效果。
　　(4)為提高ELM在隱藏層節(jié)點數(shù)較大的情況下對人體動作特征識別的抗過擬合效果，將Dropout學習策略應用到極限學習機中，并在MSR-Action3D數(shù)據(jù)集上進行實驗，結(jié)