利用高阶张量数据学习线性动力系统以实现基于骨架的动作识别
计算机视觉与模式识别
2017-01-17 v1
摘要
近年来，开发基于骨架的人类动作识别方法重新引起了兴趣。骨架序列可以自然地表示为高阶张量时间序列。在本文中，我们利用线性动力系统（LDS）对张量时间序列进行建模和分析，LDS 因其相对简单和高效，是各学科编码时空时间序列数据的最常用方法。然而，传统 LDS 将视频每一帧的潜在状态和观测状态视为列向量。这种向量表示未能考虑维度灾难以及人类动作中宝贵的结构信息。考虑到这一点，我们提出了广义线性动力系统（gLDS）来对时间序列中的张量观测进行建模，并采用 Tucker 分解来估计 LDS 参数作为动作描述子。因此，一个动作可以表示为对应于格拉斯曼流形上一点的子空间。然后我们在格拉斯曼流形上使用字典学习和稀疏编码进行分类。在 MSR Action3D 数据集、UCF Kinect 数据集和 Northwestern-UCLA 多视角 Action3D 数据集上的实验表明，我们提出的方法优于最先进的算法。
引用
@article{arxiv.1701.03869,
title = {Learning Linear Dynamical Systems with High-Order Tensor Data for Skeleton based Action Recognition},
author = {Wenwen Ding and Kai Liu},
journal= {arXiv preprint arXiv:1701.03869},
year = {2017}
}