论文部分内容阅读
随着技术的发展,人体运动捕捉数据在人机交互、交互式娱乐、以及教育、医疗等领域得到广泛应用。人体动作的识别作为计算机视觉领域的一个难题,成为体感游戏、安全防护以及多媒体信息的检索中的关键技术,因此提高人体动作的识别率至关重要。本文在现有的动作特征描述符的基础上,对特征和分类器作出改进,并在微软MSR-Action3D数据集和波恩大学HDM05运动捕捉数据集上进行实验,得到良好的分类效果。本文的主要工作内容及贡献如下：(1)在Hussein等提出的协方差描述符和方向位移直方图(HOD)描述符的基础上,将二者合并生成了同时能在静态上反映关节位置关联信息和动态上反映各关节位置变化信息的新的组合描述符,并使用极限学习机(Extreme Learning Machine, ELM)对其分类,得到较好的识别效果。(2)将线性回归分类器的原理引入到极限学习机中,对极限学习机进行改进,以实现对动作数据分类的目的,并在上述两个数据集上进行实验,得到较原始ELM算法更好的识别效果。(3)将稀疏表示分类器的原理应用到极限学习机中,对随机投影到高维空间的人体动作样本采用稀疏表示分类器进行分类。在MSR-Action3D数据集上进行对比实验,在分类器隐藏层节点数较高时获得全面优于原始ELM算法的识别效果。(4)为提高ELM在隐藏层节点数较大的情况下对人体动作特征识别的抗过拟合效果,将Dropout学习策略应用到极限学习机中,并在MSR-Action3D数据集上进行实验,结果表明在隐藏层节点数较大的情况下,该方法有较好的识别效果。