基于关键帧的人体行为识别方法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (18): 134-137.

基于关键帧的人体行为识别方法

成勋1，常飞2，吴志杰3

1.中国工程物理研究院研究生部，四川绵阳 621900
2.中国工程物理研究院计算机应用研究所，四川绵阳 621900
3.中国工程物理研究院纪委监察局，四川绵阳 621900

出版日期:2013-09-15 发布日期:2013-09-13

Human behavior recognition based on key frame

CHENG Xun1, CHANG Fei2, WU Zhijie3

1.Graduate Division of China Academy of Engineering Physics, Mianyang, Sichuan 621900, China
2.Institute of Computer Science and Application of China Academy of Engineering Physics, Mianyang, Sichuan 621900, China
3.Commission for Discipline Inspection and Supervision Bureau of China Academy of Engineering Physics, Mianyang, Sichuan 621900, China

Online:2013-09-15 Published:2013-09-13

摘要/Abstract

摘要： 提出了一种基于关键帧的人体行为识别方法。利用关于弧长的方向函数对人体形状进行描述以及通过形状空间中两点间的测地线距离对形状间的相似性进行度量，提取视频序列中的关键帧，通过模板匹配的方法实现对行为的识别。对CASIA单人行为数据库和Weismann数据库进行测试，实验结果表明该方法具有较高的识别率。

关键词: 行为识别, 关键帧检测, 相似性度量

Abstract: This paper addresses an approach which uses the direction function on the arc length to describe the body shape and the geodesic distance between any two points in the shape spaces to measure the similarity of shapes. It extracts key frames in the video sequence and recognizes the human action based on the template matching approach. The experimental results on the CASIA single behavior database and the Weismann database show that the method has a high recognition rate.

Key words: action recognition, key-frame detection, similarity measure

成勋1，常飞2，吴志杰3. 基于关键帧的人体行为识别方法[J]. 计算机工程与应用, 2013, 49(18): 134-137.

CHENG Xun1, CHANG Fei2, WU Zhijie3. Human behavior recognition based on key frame[J]. Computer Engineering and Applications, 2013, 49(18): 134-137.

[1]	刘勇，谢若莹，丰阳，王亚辉，刘亚清. 智能家居中的居民日常行为识别综述[J]. 计算机工程与应用, 2021, 57(4): 35-42.
[2]	王子儒，李振民. 融合数据增强的迁移字典学习[J]. 计算机工程与应用, 2021, 57(23): 193-199.
[3]	刘锁兰，顾嘉晖，王洪元，张云鹏. 基于关联分区和ST-GCN的人体行为识别[J]. 计算机工程与应用, 2021, 57(13): 168-175.
[4]	安宁，江思源，唐晨，杨矫云. 融合单纯形映射与熵加权的聚类方法[J]. 计算机工程与应用, 2020, 56(9): 148-155.
[5]	李元祥，谢林柏. 基于深度运动图和密集轨迹的行为识别算法[J]. 计算机工程与应用, 2020, 56(3): 194-200.
[6]	惠飞，郭静，贾硕，邢美华. 基于双向长短记忆网络的异常驾驶行为检测[J]. 计算机工程与应用, 2020, 56(24): 116-122.
[7]	王工书，任尊晓，李丹丹，相洁，王彬. 脑激活任务区分度的分析及应用研究[J]. 计算机工程与应用, 2020, 56(21): 272-278.
[8]	祁大健，杜慧敏，张霞，常立博. 基于上下文特征融合的行为识别算法[J]. 计算机工程与应用, 2020, 56(2): 171-175.
[9]	胡正平，刘怀飚，孙德刚. 邻域排斥稀疏判决单样本亲属关系认证算法[J]. 计算机工程与应用, 2019, 55(22): 133-139.
[10]	盖赟1，荆国栋2. 多尺度方法结合卷积神经网络的行为识别[J]. 计算机工程与应用, 2019, 55(2): 100-103.
[11]	赵菊萍，李风军. Vague集（值）相似性度量[J]. 计算机工程与应用, 2019, 55(15): 69-74.
[12]	王正杰，杨伟丽，王喆，侯玉珊，郭银景. 基于CSI的行为识别研究综述[J]. 计算机工程与应用, 2018, 54(5): 14-23.
[13]	高大鹏，朱建刚. 多维度自适应3D卷积神经网络原子行为识别[J]. 计算机工程与应用, 2018, 54(4): 174-178.
[14]	贾小云1，王二虎1，吴敬一2. Android平台下的实时人体行为识别[J]. 计算机工程与应用, 2018, 54(24): 164-167.
[15]	鹿天然，于凤芹，杨慧中，陈莹. 基于显著性检测和稠密轨迹的人体行为识别[J]. 计算机工程与应用, 2018, 54(14): 163-167.