40、基于斜率模式谱与手部交互特征的人类活动识别研究

基于斜率模式谱与手部交互特征的人类活动识别研究

在计算机视觉和人工智能领域，人类活动识别（HAR）是一个具有挑战性且重要的研究方向，其在环境辅助生活（AAL）等领域有着广泛的应用前景。本文将介绍两种不同的人类活动识别方法，分别是基于斜率模式谱（SPS）的人类动作识别方法，以及利用深度卷积网络检测手部信息来识别日常生活活动（ADL）的方法。

基于斜率模式谱的人类动作识别

1. K近邻分类器

在人类动作识别方法中，分类是重要的一部分，它对HAR的性能起着关键作用。这里选择K近邻（KNN）分类器，因为与其他机器学习算法相比，它易于实现。而且，从SPS算法中提取的特征非常适合KNN分类器，无需进行降维技术来避免分类器受到维度灾难的影响。

2. 实验设置

• 数据集 ：使用KTH数据集进行方法性能评估，该数据集是HAR中常用的基准数据集之一。它包含25个受试者在四种不同条件下执行六种人类动作的2391个序列，动作包括拳击、挥手、拍手、慢跑、跑步和行走。序列在均匀背景下以25fps的帧率拍摄，经过下采样后空间分辨率为160×120像素，平均长度为4秒。
• 特征提取 ：对每个动作视频序列进行处理以生成运动历史图像（MHI）。MHI计算的参数对于捕捉相关运动信息至关重要，这里采用参数(τ, ϵ, δ) = (255, 40, 2)，每个视频考虑50帧。然而，生成的MHI图像存在一些问题，如遮挡或噪声，特别是在户外有尺度变化的视频子集中获得的MHI图像，这对SPS提取产生了不利影响，导致分类准确率不高。