基于rgb图像和深度信息的行为识别研究

《基于rgb图像和深度信息的行为识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、：：１０３００分类号单位代码密级：学号：２０１３２２８１４６０為秦读金ｈ■ｒ：＊－，，硕±专业学位论文；＇雜基于ＲＧＢ图像和深度信息的行为识别研究ＴｈｅＳｔｕｄｏｆＢｅｈａｖｉｏｒＲｅｃｏｎｉｔｉｏｎＢａｓｅｄｏｎＲＧＢＩｍａｅａｎｄｙｇｇＤｅｔｈＩｎｆｏｒｍａｔｉｏｎｐ申请人姓名：陈浦指导教师：刘青山教授专业名称：电子与通信工程研究方向：行为识别所在学院：信息与控制学院二〇—六年六月独创性声明本人声明所呈交的论文

2、是我个人在导师指导下进行的研究工作及取得的研。巧成果本论文除了文中特别加ＩＵ标注和致谢的内容外，不包含其他人或其他机构已经发表或撰写过的研巧成果，也不包含为获得南京信息工程大学或其他教育机构的学位或证书而使用过的材料。其他同志对本研究所做的贡献均己在论文中作了声明并表示谢意。＇ｂｉ長学位论文作者签名：隊啼签字日期；关于论文使用授权的说明南京信息工程大学、国家图书馆、中国学术期刊（光盘版）杂志社、中国科学技术信息研巧所的《中国学位论文全文数据库》有权保留本人所送交学位论、文的复印件和电子文

3、档，可Ｗ采用影印缩印或其他复制手段保存论文，并通一致过网络向社会提供信息服务。本人电子文档的内容和纸质论文的内容相。除在保密期内的保密论文外，允许论文被查阅和借阅，可Ｗ公布（包括刊登）论文的全部或部分内容。论文的公布（包括刊登）授权南京信息工程大学研巧生院办理。ｄ公开□保密（年）保密的学位论文在解密后应遵守此＿月（协议）－签字日期么。ｌｂ学位论文作者签名：ｆ巧巧：，指导教师签名．：签字日期：？；＞ｌＬ＼目录目录摘要ＩＡｂｓｔｒａｃｔＩＩ一第章绪论１１

4、．１研究背景１１．２研究意义２１．３国内外研究现状４１．４人体行为识别面临的挑战７１．５本文主要内容及章节安排８第二章特征提取与描述１０２．１兴趣点提取１０ｒｒ－２丄１ＨａｉｓＣｏｍｅｒ兴趣点检测器１１－２丄２ＨａｉｒｉｓＣｏｍ功３Ｄ兴趣点检测器１２２．２ＲＧＢ图像特征描述１５２．２．１ＨＯＧ描述器１６２．２．２ＨＯＧ３Ｄ描述器１７２２０．３深度信息特征描述２．３．１４Ｄ曲面法向量描述符２１２．３．２４Ｄ曲面法向量的量化２

5、３２．３．３非均匀量化２４２２．４本章小结６第王章基于典型相关分析的行为识别方法２７３．１典型相关分析２８３丄１典型相关分析的基本思想２８３２．１．２特征抽取的原理与方法９３．２支持向量机分类器３１Ｉ南京信息工程大学硕±学位论文３．３实验３１３１．３．数据库３２３．３．２实验方法３３３．３．３实验结果３５３３８．４本章小结第四章基于骨骼关节点的交通手势识别系统３９４．１提取骨骼关节点特征４０４．２距离加权动态时间规整算法４１

6、４．２．１时间序列分类问题４１４．２．２动态时间规整原理及实现过程４２４４５．３算法识别结果与分析４４６．４交通手势识别系统４．１．３硬件系统４６４．３．２软件系统４７４．３．３实时交通手势识别４８４．４本章小结５１第五章总结与展望５２５．１本文工作总结巧５．２工作展望５３参考文献５４攻读硕±期间完成的科研情况６０致谢６１ＩＩ摘要摘要行为识别在智能监控系统、智能交通系统、远程视频会议、人机交互、医疗诊断及视频检索等领域

7、有非常广阔的应用前景，所Ｗ近年来人体行为识别己一经成为计算机视觉领域非常热口的研巧课题之。行为识别指通过图像处理、模式识别等方法，使计算机能够理解视频序列中的人的动作进而自动识别出各种常见行为一。本文提出了将同行为模式下两种特征融合的行为识别方法，经实验论证，方法可行且取得了较好的识别准确率。在分析上述方法计算复杂度及时间成本的基础上设计了基于胥骼关节点信息的交通手势识别系统。目前一，多数行为识别方法基于单特征进行研充。本文提出了种基于ＲＧＢ图像和深度信息特征蘭合的研巧方法。首先通过Ｈ０Ｇ３Ｄ描述

8、器对时空兴趣点进行描述，进而提取ＲＧＢ图像的特征。其次，利用深度图像３Ｄ点云信息，根据人体行为构成的点云曲面法向量，构建４Ｄ法向量直方图描述器提取深度信息的特征。最后，利用典型相关分析（ＣＣＡ将两种特征降维、融合，通过支持向量）机（ＳＶＭ分类器对新特征进行测试分类。）一