结合ConvNets与手工特征基于HMM-SVM分类器的动作识别
计算机视觉与模式识别
2016-02-03 v1
摘要
本文提出一种基于RGB-D的动作识别新框架，其利用来自骨骼数据的手工设计特征和来自深度图的深度习得特征，并有效挖掘局部与全局时间信息。具体而言，首先对深度和骨骼数据进行增强以便于深度学习并使识别对视角变化不敏感。其次，利用基于骨骼关节运动直方图的手工特征对深度序列进行分割以挖掘局部时间信息。所有训练片段通过贝叶斯估计使用无限高斯混合模型(IGMM)聚类，并标记用于训练深度图上的卷积神经网络(ConvNets)。从而，深度序列可可靠地编码为片段标签序列。最后，将该标签序列输入联合隐马尔可夫模型与支持向量机(HMM-SVM)分类器，以探索全局时间信息用于最终识别。
引用
@article{arxiv.1602.00749,
title = {Combining ConvNets with Hand-Crafted Features for Action Recognition Based on an HMM-SVM Classifier},
author = {Pichao Wang and Zhaoyang Li and Yonghong Hou and Wanqing Li},
journal= {arXiv preprint arXiv:1602.00749},
year = {2016}
}