利用身体状态从三维骨骼数据识别非自愿动作
计算机视觉与模式识别
2019-03-26 v1
摘要
人类动作识别近年来一直是计算机视觉中最活跃的研究领域之一。二维动作识别方法面临诸如遮挡和缺失数据第三维等严重挑战。深度传感器的发展使得随时间跟踪人体关节位置成为可能。本文提出一种利用时间三维骨骼Kinect数据的动作识别新方法。该方法引入身体状态的定义，并将每个动作建模为这些状态的一个序列。学习阶段使用Fisher线性判别分析（LDA）构建用于区分身体状态的判别特征空间。此外，本文建议将马哈拉诺比斯距离（Mahalonobis distance）用作非自愿动作状态分类的合适距离度量。随后使用隐马尔可夫模型（HMM）对每个动作中身体状态之间的时间转移进行建模。根据结果，该方法显著优于其他流行方法，对八种不同动作的识别率达88.64%，对跌倒动作分类的识别率高达96.18%。
引用
@article{arxiv.1708.06227,
title = {Recognizing Involuntary Actions from 3D Skeleton Data Using Body States},
author = {Mozhgan Mokari and Hoda Mohammadzade and Benyamin Ghojogh},
journal= {arXiv preprint arXiv:1708.06227},
year = {2019}
}