120
传感器与微系统（Transducer and Microsystem Technologies）
2018年第37卷第2期
DOI:10.13873/J.10009787 (2018)02012004
基于骨骼向量夹角的人体动作识别算法
顾军华1,2，李硕，刘洪普13，马鹤芸
（1.河北工业大学计算机科学与软件学院，天津300401;2.河北省大数据计算重点实验室，天津300401；
3.华北科技学院河北省物联网数据采集与处理工程技术研究中心，河北廊坊065201）
摘要：人体动作识别是计算机视觉领域的研究热点，特别是在智能家居中，由于动作特征提取受到环境等各方面的干扰以及动作本身的多样性，使其识别难度更大。利用KINECT摄像头进行特征提取；对提取到的特征数据进行动作描述及优化；采用神经网络对特征数据进行训练，方法取得了较好的性能。对比性实验结果验证了方法的有效性。
关键词：动作识别；KINECT；动作描述；样本优化
中图分类号：TP183
文献标识码：A
文章编号：1000-9787(2018)02-0120-04
Human action recognition algorithm based on angle
ofskeletalvector
GU Jun-hua'.2, LI Shuo', LIU Hong-pu'", MA He-yun'
(1.School of Computer Science and Engineering,Hebei University of Technology,Tianjin 300401, China;
2. Hebei Key Laboratory of Big Data Computing,Tianjin 300401,China;
3. Hebei Engineering Technology Research Center for IOT Data acquisition & Processing
North China Institute of Science and Technology,Langfang 065201, China)
Abstract: Human action recognition is a hot research topic in the field of computer vision,especially in intelligent household. Due to action feature extraction is affected by various aspects of factors like environment and diversity of action itself, it makes action recognition becomes more difficult, so KINECT camera is used for feature extraction,and action descripting and optimizing of the extracted feature data are carried out. Neural network is used to train feature data to make this method achieve good performance. Comparative experimental results verify the effectiveness of this method.
Keywords: action recognition; KINECT; action description; sample optimization
0引言
21世纪初，在人机交互、虚拟现实、视频智能监控、医
疗诊断和监护以及运动分析等诸多应用背景下，动作分析已经成为图像分析、心理学、神经生理学等相关领域的研究热点[1]。因此，人体动作识别技术被很多国内外的大学和研究机构进行了深人的研究2]，并拥有十分广阔的应用前景3和非常可观的经济价值。传统的解决人体动作识别问题常用方法有两种：模板匹配法和状态空间法[4]。模板匹配法一般会将运动状态序列转化为一个或一组静态的模板，通过将待识别样本的模板与已知的模板进行匹配获得识别结果。模板匹配法可细分为两类：是顿对顿匹配方法，其最经典的算法就是动态时间规整（dynamictimewarping DTW】[5];融合匹配方法，例如DavisJW与Bobick AF[]提
收稿日期：2017-11-30
出的识别方法。状态空闻法就是将图像序列的每个静态要势或运动状态作为一个状态节点，状态节点之间由给定的概率联系起来，任何的动作序列可以认为是这些静态动作在不同状态节点中的一次遍历过程，常见的状态空间法的算法有隐马尔科夫和动态贝叶斯等[}]。
由于状态空间法需要的样本空间过大，送代次数过多，鉴于智能家居中对于识别简单动作的效率有很大的要求，在智能家居的人体动作中不易采用该方法；而模版匹配的慎对顿匹配也会涉及时间敏感对应匹配的问题且鲁棒性差等问题，为此，本文采用基于神经网络的分类方法。该方法属于融合匹配方法，其优点在于可以有效避免一般模板匹配法中的时间间隔敏感的问题，且迭代次数少，算法更加高效。
*基金项目：天津市科技计划项目应用基础与前沿技术研究计划资助项目（14JCYBJC18500，16JCYBJC15600）