基于骨骼数据的人体行为识别算法及实现开题报告

1. 研究目的与意义

随着信息技术的不断发展，人体行为识别已逐渐成为计算机视觉领域的重要研究方向之一，被越来越多运用在日常的生产和生活领域如视频监控、虚拟游戏等，在人机交互中有着广泛的应用前景。基于骨骼数据的人类行为识别就在人机交互和智能监控中有着广泛应用。随着Kinect设备的出现，人体行为识别的研究对象由RGB图像逐渐转变为深度数据，由于传统的RGB图像容易受可见光的干扰，而深度数据是由红外线辐射估计的，而与可见光无关。然而，动态视图及噪音数据给关键骨骼点数据的分析以及整体动作的识别带来了挑战，并且如何将获取的骨骼数据有效地表示为包含时间和空间的骨架序列也仍然是一个问题。因此为了优化骨骼数据、高效识别人体行为，本课题将研究一种基于Kinect设备骨骼数据的人体行为识别算法。

2. 研究内容和预期目标

为了解决复杂环境中传统人体行为识别方法效果不佳的问题，提高实时性和准确性，提出一种基于Kinect传感器和动态时间规整（DTW）算法的动态行为识别方法，用于度量行为轨迹的相似性，实现快速的精准动态人体行为识别。首先，通过对Kinect传感器获取的深度信息进行分析，获取人体主要骨骼点的坐标，设计一个基于序列的视图不变变换，融合时间及空间信息生成新的骨架数据序列，以消除视图动态变化对骨骼点时空位置的影响。然后，再对转换后的数据进行RGB处理，可视化为二维彩色图像。最后，运用动态时间规整方法对构造的行为模板进行匹配，实现基于数据匹配的行为识别。

3. 国内外研究现状

人体行为识别作为新兴的研究领域，自兴起之初就受到了众多学者的关注。人体行为识别的研究方向多种多样，在人体的面部识别、手势识别、行为识别等方面发展快速，被系统地运用到人类的生产生活中，在监控预警、异常行为检测方面得到了广泛的应用。Johansson教授在十九世纪中后期的一个实验提出了用12个点来描述人体，点模型的概念由此而来，这是行为识别相关研究的起点。国内对于人体行为识别的研究相对较晚，但随着图形处理器的发展及此领域在生产生活中的应用越来越广泛，充足的计算能力使得之前难以在短时间内计算得出的模型和公式能够在合理的时间内完成，越来越多的国内高校和企业也纷纷投入其中，为人体行为识别注入了新的活力。基于深度学习方法的人体行为识别取得不少成功。最常见的两类方法方法一类使基于三原色RGB图像视频，另一类是基于骨骼数据。

4. 计划与进度安排

12月：明确论文主题和撰写方向，构思并最终确定论文题目。提交论文题目并开始收集相关文献资料。

1月：整理相关资料，撰写开题报告，完成并提交开题报告，编写好核心代码

2月：调试程序，构建整体项目，提交初期检查

5. 参考文献

[1]王维高. 基于kinect多视图特征的人体行为识别算法研究[d].西安石油大学,2021.doi:10.27400/d.cnki.gxasc.2021.000762.

[2]李凯,王永雄,孙一品.一种改进的dtw动态手势识别方法[j].小型微型计算机系统,2016,37(07):1600-1603.

[3]闫素素. 基于监控视频的暴力动作检测算法研究与硬件实现[d].哈尔滨工业大学,2021.