线性动态系统反演模型在人体行为识别的应用

目的 人体行为识别在视频监控、环境辅助生活、人机交互和智能驾驶等领域展现出了极其广泛的应用前景.由于目标物体遮挡、视频背景阴影、光照变化、视角变化、多尺度变化、人的衣服和外观变化等问题,使得对视频的处理与分析变得非常困难.为此,本文利用时间序列正反演构造基于张量的线性动态模型,估计模型的参数作为动作序列描述符,构造更加完备的观测矩阵.方法 首先从深度图像提取人体关节点,建立张量形式的人体骨骼正反向序列.然后利用基于张量的线性动态系统和Tucker分解学习参数元组(AF,AI,C),其中C表示人体骨架信息的空间信息,AF和AI分别描述正向和反向时间序列的动态性.通过参数元组构造观测矩阵,一个动作就可以表示为观测矩阵的子空间,对应着格拉斯曼流形上的一点.最后通过在格拉斯曼流形上进行字典学习和稀疏编码完成动作识别.结果 实验结果表明,在MSR-Action 3D数据集上,该算法比Eigenjoints算法高13.55％,比局部切从支持向量机(LTBSVM)算法高2.79％,比基于张量的线性动态系统(tLDS)算法高1％.在UT-Kinect数据集上,该算法的行为识别率比LTBSVM算法高5.8％,比tLDS算法高1.3％.结论 通过大量实验评估,验证了基于时间序列正反演构造出来的tLDS模型很好地解决了上述问题,提高了人体动作识别率.