基于 Kinect 的动作识别算法分析与评估

尽管人体动作识别已广泛应用于不同领域，仍存在诸多挑战性问题，如不同视角、遮挡、光照条件、人体尺寸及动作执行速度。为应对这些挑战，Kinect 深度传感器被开发用于记录实时深度序列，其对人体衣物颜色与光照条件不敏感。文献中已报道许多人体动作识别方法，如 HON4D、HOPC、RBD 与 HDG，它们分别利用 4D 表面法线、点云、基于骨架的模型与深度梯度，从深度视频或骨架数据中捕获判别信息。在本研究项目中，将使用五个基准数据集对前述四种算法的性能进行分析与评估，这些数据集涵盖了噪声、视角变化、背景杂乱与遮挡等挑战性问题。我们还实现并改进了 HDG 算法，并将其应用于使用 UWA3D 多视角活动数据集的跨视角动作识别。此外，我们在 HDG 中使用了不同个体特征向量的组合进行性能评估。实验结果表明，我们所改进的 HDG 在跨视角动作识别上优于其他三种前沿算法。