基于深度序列的时空金字塔的动作识别

doi:10.3778/j.issn.1002-8331.1604-0136

计算机工程与应用 ›› 2017, Vol. 53 ›› Issue (19): 211-215.DOI: 10.3778/j.issn.1002-8331.1604-0136

基于深度序列的时空金字塔的动作识别

邹向阳1，2，侯云江1

1.空军空降兵学院，广西桂林 541003
2.桂林电子科技大学电子工程与自动化学院，广西桂林 541004

出版日期:2017-10-01 发布日期:2017-10-13

Spatio-temporal pyramid for action recognition based on depth sequences

ZOU Xiangyang1，2, HOU Yunjiang1

1.Air Force Airborne Academy, Guilin, Guangxi 541003, China
2.College of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin, Guangxi 541004, China

Online:2017-10-01 Published:2017-10-13

摘要/Abstract

摘要： 提出一种高效的人体动作识别方法。通过帧间差分法将深度序列的三视图转化为深度运动轮廓序列（DMOS），然后利用时空金字塔对DMOS进行时间维和空间维细分，将细分后得到的空间网格的局部方向梯度直方图（HOG）进行特征融合，并使用线性SVM分类。最后采用MSR Action 3D数据集对提出的算法在不同时空金字塔参数下的识别率和处理速度进行了评估，结果表明该方法在同类算法中具有更高的识别率。

关键词: 动作识别, 深度运动轮廓序列, 时空金字塔, HOG特征, 线性SVM分类器

Abstract: An efficient human action recognition method is put forward. Three views of depth sequences are transformed into Depth Motion Outline Sequence（DMOS） by using the method of interframe differentiation. Then a spatio-temporal pyramid is proposed to subdivide the DMOS on temporal and spatial level. A feature fusion scheme is presented to concatenate the Histograms of Oriented Gradients（HOG） features which have extracted from the subdivided DMOS. Finally linear SVM to classification is used. Through using the MSR Action 3D data sets, this method is evaluated with different parameters of spatial-temporal pyramid. Experimental results show that this method has higher recognition rate than the similar algorithm.

Key words: action recognition, Depth Motion Outline Sequence（DMOS）, spatio-temporal pyramid, Histogram of Oriented Gradient（HOG）, linear SVM classifier

邹向阳1，2，侯云江1. 基于深度序列的时空金字塔的动作识别[J]. 计算机工程与应用, 2017, 53(19): 211-215.

ZOU Xiangyang1，2, HOU Yunjiang1. Spatio-temporal pyramid for action recognition based on depth sequences[J]. Computer Engineering and Applications, 2017, 53(19): 211-215.

[1]	陈艳杰，舒大伟，杨吉江，王欢，王青，雷毅. 儿童运动协调障碍AI诊断系统研究综述[J]. 计算机工程与应用, 2021, 57(2): 28-36.
[2]	周小静，陈俊洪，杨振国，刘文印. 基于手势特征融合的操作动作识别[J]. 计算机工程与应用, 2021, 57(14): 169-175.
[3]	刘婧，杨旭，刘董经典，牛强. 基于人体关节点的多人吸烟动作识别算法[J]. 计算机工程与应用, 2021, 57(1): 234-241.
[4]	王民，李泽洋，王纯，石新源. 基于卷积神经网络优化TLD运动手势跟踪算法[J]. 计算机工程与应用, 2019, 55(9): 151-156.
[5]	桑海峰，田秋洋. 面向人机交互的快速人体动作识别系统[J]. 计算机工程与应用, 2019, 55(6): 101-107.
[6]	杨世强，罗晓宇，李小莉，杨江涛，李德信. 基于DBN-HMM的人体动作识别[J]. 计算机工程与应用, 2019, 55(15): 169-176.
[7]	赵晓丽，田丽华，李晨. 基于稀疏编码局部时空描述子的动作识别方法[J]. 计算机工程与应用, 2018, 54(7): 29-35.
[8]	朱大勇1，2，郭星1，2，吴建国1，2. 基于kinect三维骨骼节点的动作识别方法[J]. 计算机工程与应用, 2018, 54(20): 152-158.
[9]	崔雪红，刘云，王传旭，李辉. 高显著性的时空金字塔精简描述符算法研究[J]. 计算机工程与应用, 2018, 54(1): 210-216.
[10]	刘锦怡1，张乐1，2，胡海波1，2，朱贺3. 强鲁棒性的可穿戴传感器的人体动作识别方法[J]. 计算机工程与应用, 2017, 53(4): 176-183.
[11]	王松，党建武，王阳萍，杜晓刚. 实时动作识别方法研究[J]. 计算机工程与应用, 2017, 53(3): 28-31.
[12]	沈一超，倪世宏，张鹏. 基于贝叶斯网络的飞行动作识别方法[J]. 计算机工程与应用, 2017, 53(24): 161-167.
[13]	吴珍珍1，邓辉舫2. 利用骨架模型和格拉斯曼流形的3D人体动作识别[J]. 计算机工程与应用, 2016, 52(20): 214-220.
[14]	李鸿利，单征，郭浩然. 基于MDTW的飞行动作识别算法[J]. 计算机工程与应用, 2015, 51(9): 267-270.
[15]	姚争为^1，2，陈一民¹，陈明¹. 增强现实系统中的抛掷动作实时识别[J]. 计算机工程与应用, 2010, 46(5): 205-207.

基于深度序列的时空金字塔的动作识别

Spatio-temporal pyramid for action recognition based on depth sequences

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics