【技术实现步骤摘要】
基于特征融合和多分类器投票的多体感人体行为识别算法
本专利技术涉及人体行为识别估计领域,特别设计基于特征融合和多分类器投票的多体感人体行为识别算法。
技术介绍
随着计算机人机交互领域的不断发展,人体动作识别技术在智能监控、舞蹈教学、医疗康复等方面的应用越来越广泛,为人们的日常生活提供了极大的便利。一般在不同的应用场景中,使用不同的动作捕捉设备,关于人体动作捕捉技术方面,主要有光学式和可穿戴式两种。微软发布的Kinect3D体感摄影机,不仅可以采集人体的彩色图像和深度信息,还能够获得人体骨骼数据信息。人体行为识别是人体运动分析的重要组成部分,它属于高级视觉分析,主要指利用计算机对运动目标做的动作的模式进行一系列的分析,然后识别。正是因为动作是人的一种行为方式,故想要利用计算机分析人体的行为,就必须对人体的行为进行视觉分析。随着视觉分析理论的不断发展,同时也使得对传统的视觉分析提出了更多要求,例如:多传感器融合、高效率、高精度等要求。
技术实现思路
为了解决上述存在问题。本专利技术提供基于特征融合和多分类器投票的多体感人体行为识别算法,解决人体行为识别问题。为达此目的:本专利技术提供基于特征融合和多分类器投票的多体感人体行为识别算法,具体步骤如下:步骤1:同时使用三维Kinect摄像头采集人体运动数据,获得人体运动的三视图;步骤2:利用KinectforWindowsSDK中的骨骼追踪技术,对图像中的人体骨骼进行位置追踪,可获得人体骨骼20个关节点的数据信息,并通过人体
【技术保护点】
1.基于特征融合和多分类器投票的多体感人体行为识别算法,具体步骤如下,其特征在于,/n步骤1:同时使用三维Kinect摄像头采集人体运动数据,获得人体运动的三视图;/n步骤2:利用Kinect for Windows SDK中的骨骼追踪技术,对图像中的人体骨骼进行位置追踪,可获得人体骨骼20个关节点的数据信息,并通过人体骨骼数据计算各个关节的肢体向量特征和肢体加速度特征;/n步骤3:将带有人工标注的图像特征作为训练集,并将N个初始化图像帧,一一对应的训练N个Knn分类器,同时分配并更新每个分类器的权重;/n步骤4:对于一个未知类别的人体行为多帧图像,按照步骤2提取该多帧图像的肢体向量特征和肢体加速度特征,并将其特征送入到分配过权重的N个Knn分类器中,并识别该类人体行为类别。/n
【技术特征摘要】 【专利技术属性】
1.基于特征融合和多分类器投票的多体感人体行为识别算法,具体步骤如下,其特征在于,
步骤1:同时使用三维Kinect摄像头采集人体运动数据,获得人体运动的三视图;
步骤2:利用KinectforWindowsSDK中的骨骼追踪技术,对图像中的人体骨骼进行位置追踪,可获得人体骨骼20个关节点的数据信息,并通过人体骨骼数据计算各个关节的肢体向量特征和肢体加速度特征;
步骤3:将带有人工标注的图像特征作为训练集,并将N个初始化图像帧,一一对应的训练N个Knn分类器,同时分配并更新每个分类器的权重;
步骤4:对于一个未知类别的人体行为多帧图像,按照步骤2提取该多帧图像的肢体向量特征和肢体加速度特征,并将其特征送入到分配过权重的N个Knn分类器中,并识别该类人体行为类别。
2.根据权利要求1基于特征融合和多分类器投票的多体感人体行为识别算法,其特征在于:步骤2中人体骨骼关节数据信息如下:
使用KinectforWindowsSDK中的骨骼追踪技术,对人体运动信息进行采集,最终获得人体20个骨骼关节点三维数据信息,并将每个关节用A-T的编号进行表示,并通过式1计算人体骨骼的关节角:
其中,θ是每帧骨骼数据t时刻关节角的大小,U(t)和V(t)分别是t时刻的两个关节向量,通过式1最终可得17个人体关节角信息。
3.根据权利要求1基于特征融合和多分类器投票的多体感人体行为识别算法,其特征在于:步骤2中计算各个关节的肢体向量特征和肢体加速度特征如下:
根据人体结构学,人体可分为五大部分,KinectforWindowsSDK中的骨骼追踪技术可获得以上各个关节点数据信息,包括:
1、头部T(t)、颈部C(t)、脊柱D(t)和臀部G(t);
2、左手L(t)、左腕J(t)、左肘H(t)和右肩A(t);
3、右手M(t)、右腕K(t)、右肘I(t)和右肩B(t);
4、左脚R(t)、左踝P(t)、左膝N(t)和左臀E(t);
5、右脚S(t)、右踝Q(t)、右膝O(t)和右臀F(t);
可通过下式来求解五大人体的关节向量特征:
由于每个骨骼结点对人体动作表达贡献度的不同,将会从每部分中选取两个主动作关节角,利用式3计算人体肢节的角速度特征:
ω(t)=θ(t+1)-θ(t)(3)
θ(t)是t帧关节角的大小,其中躯干部分的角速度特征计算选取角θ4和θ9,左臂部分选取θ3和θ2,右臂部分选取θ6和θ7,左腿部分选取θ12和θ13,右腿部分选取θ15和θ16;人体各部分的角速度特征代表了人体四肢和躯干整体的运动情况;
人体四肢和躯干的弯曲可通过关节点之间距离的变化来体现,即关节点的加速度特征可刻画人体四肢和躯干的弯曲程度:
技术研发人员:杨忠,吴有龙,田小敏,宋爱国,徐宝国,
申请(专利权)人:金陵科技学院,
类型:发明
国别省市:江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。