导读:本文包含了人体特征识别方法论文开题报告文献综述及选题提纲参考文献，主要关键词:遮挡条件,人体局部运动,特征,多路径识别
人体特征识别方法论文文献综述
陈永浩[1]（2019）在《遮挡条件下人体局部运动特征多路径识别方法》一文中研究指出采用传统方法容易受到噪声影响,无法识别伪特征点,导致人体局部运动特征识别精准度较低,为了解决该问题,提出了遮挡条件下多路径识别方法研究。根据一般识别过程,利用深度信息,计算灰度图像中的光流场,并将矢量依次分解到x、y轴,获取实际运动分量。跟踪实际运动分量最小角点,并对其进行检测,以帧间差信息为基础提取角点,采用前后帧差法消除伪特征点。采用加窗方法对去除伪特征点的人体局部运动特征点进行处理,通过计算标准差、偏度和峰值区分人体前走、后退、跑步、上跳和下蹲局部运动,由此完成多路径识别研究。通过实验对比结果可知,该方法最高识别精准度为98.7%,可以利用到实时行为识别项目研究进程中。(本文来源于《电子设计工程》期刊2019年15期）
王华华,黄龙,周远文,赵永宽[2]（2019）在《改进的mRmR特征选择方法在人体行为识别中的应用》一文中研究指出在基于惯性传感器人体行为识别的研究中,特征选择的作用是挑选相关特征,以提高分类性能,去除冗余特征以降低计算复杂度。针对传统的过滤式特征选择方法仅使用一种相关度量系数筛选特征效果不佳的问题,提出一种改进的基于最大相关与最小冗余(mRmR)准则的特征选择方法。该方法在基于mRmR准则下,采用多种相关度量系数融合的方式,在考虑分类类别的条件下,分析待挑选特征与已选特征间的相关性对特征筛选可能产生的积极影响,以去除部分冗余、不相关特征,进而得到初选特征子集;然后利用二进制数对筛选后的特征编码,通过遗传算法搜索最优或次优特征子集。分别使用SVM和KNN分类器对7种日常行为进行分类。实验结果表明,与其他几种方法相比,该方法对实验分类的7种行为有最高的总体平均识别精度,通过SVM和KNN分类的各行为总体平均识别精度分别达到了97.02%和95.73%,与传统的mRmR方法相比,分别提高了13.72%和9.92%。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2019年02期）
柳似霖,王颖,吴峰[3]（2019）在《基于局部特征词袋模型人体动作识别关键帧选取方法》一文中研究指出针对原始动作视频帧数多、信息冗余、计算量大的问题,提出了基于离散粒子群算法的人体动作识别关键帧选取方法。提取视频图像中的时空兴趣点建立视觉词典,统计视频图像中视觉词汇概率分布,采用离散粒子群算法进行关键帧选取,引入原始视频和选取的关键帧的视觉词汇概率分布向量的夹角余弦值,作为最优适应度函数评价关键帧选取前后的动作特征相似性。采用离散粒子群关键帧选取方法对KTH和Weizmann数据库进行实验验证。实验结果显示,该文提出的关键帧选取算法可有效去除动作视频中的冗余帧,提高了动作识别效率,动作识别准确率保持89.17%和98.89%不变。(本文来源于《应用光学》期刊2019年02期）
韩欣欣,叶奇玲[4]（2019）在《基于SIFT和HOG特征融合的人体行为识别方法》一文中研究指出行为识别是视频分析的一个核心任务,而行为特征的提取与选择直接影响识别效果。针对单一特征往往受到人体外观、环境、摄像机设置等因素的影响而识别效果不佳的问题,提出一种分别提取尺度不变特征变换(SIFT)和方向梯度直方图(HOG)的特征并形成融合特征,再利用支持向量机(SVM)完成特征分类的行为识别方法。基于Matlab人体行为识别和检测的研究,通过采用KTH和Weizmann人体行为库来验证该算法的有效性。实验结果表明,该算法在人体行为识别中识别率可达到90%以上,比单独使用上述两种特征或者其他传统的描述子更高效,同时也能更好地适应光照等外部因素的变化,得到更好的识别率。(本文来源于《计算机技术与发展》期刊2019年06期）
郑潇,彭晓东,王嘉璇[5]（2018）在《基于姿态时空特征的人体行为识别方法》一文中研究指出为了高效、准确地获取视频中的人体行为和运动信息,提出一种基于人体姿态的时空特征的行为识别方法.首先在获取视频中各帧图像的人体关节位置的基础上,提取关节信息描述姿态变化,具体包括在空间维度上提取每帧图像的关节位置关系、时间维度上计算关节空间关系的变化,二者共同构成姿态时空特征描述子;然后利用Fisher向量模型对不同类型的特征描述子分别进行编码,得到固定维度的Fisher向量;最后对不同类型的Fisher向量加权融合后进行分类.实验结果表明,该方法能够有效地识别视频中的人体复杂动作行为,提高行为识别率.(本文来源于《计算机辅助设计与图形学学报》期刊2018年09期）
陈庆峰,冯仕民,丁恩杰[6]（2018）在《一种基于多特征多分类器融合的人体行为识别方法》一文中研究指出提出了一种基于多特征多分类器融合的人体行为识别方法。针对Kinect传感器提取的叁维骨骼动作序列,采用身体部位的相对几何特征、关节点的相对位置特征、关节点的绝对位置特征对人体动作进行描述。将支持向量机和随机森林分类器作为成员分类器,对3种动作特征分别进行训练和测试,使用分类器融合算法对分类结果进行融合决策,实现最终的分类。在现有的人体动作数据集上进行验证,实验结果表明:本方法可取得95%的识别率。(本文来源于《河南科技大学学报(自然科学版)》期刊2018年06期）
邵禹铭[7]（2018）在《基于深度学习方法的人体微动特征识别》一文中研究指出人体特征识别在安防监控、自动驾驶、远程健康监护等领域近年来受到广泛关注,其中利用雷达传感器可对人在运动过程中产生的微动特征进行有效探测。人体微动特征指的是身体及组成部分产生的平动及转动等微小运动信息,通过对这些微动特征的提取及分类可达到对运动姿态识别的目的。本文运用雷达电磁波探测获取人在运动过程中的两类微动特征,结合深度学习方法对得到的特征进行提取并分类识别。分别研究了单视角条件下不同动作、不同人体步态以及多视角观测下不同动作的识别问题。具体展开研究工作如下:1.采用高分辨距离变化信息的微动特征表示方法对人体不同动作进行分类识别。利用雷达探测人在运动过程中身体躯干及肢体的相对距离变化信息得到两维时间-距离像作为不同动作的微动特征表示。设计实验对两类人体动作进行信息采集并构建数据集,利用卷积神经网络对其进行特征提取并分类识别。实验结果表明所提特征表示及识别方法对两类共15种动作的平均识别准确率达到90%以上。2.采用步态微多普勒信息的微动特征表示方法对不同人进行分类识别。雷达可探测人在走路过程中身体各部分的速度变化情况,从而得到对应的微多普勒特征。由于人体对日常行为具有记忆性,步态微动特征可作为不同人的身份标签。设计实验采集不同人的步态信息,将卷积神经网络结构进行调整,然后对数据集进行训练和测试。实验结果表明所提方法对8个人的步态特征识别率为96.9%,验证了步态微多普勒特征用于不同行人识别的可行性。3.利用多雷达传感器在多视角观测条件下对较大活动范围内的走路和模型持枪行走两种动作进行识别。单视角条件下雷达仅能探测到径向散射信息,当运动路线偏离雷达径向时,由于信息的缺失会造成识别结果的误判。设计实验利用宽波束天线及多点接收形式在较大的测试区域内对两种动作进行数据采集,提出一种结合卷积神经网络和传统分类判决的特征融合方法对多点接收得到的微多普勒特征进行分类识别。实验结果表明所提融合方法在多视角观测场景下对动作识别稳定性有所提升,识别率为97.91%。(本文来源于《中国科学技术大学》期刊2018-05-01）
何威[8]（2018）在《基于多视角特征的人体动作识别方法研究》一文中研究指出视频中的人体动作识别正在受到越来越多的关注和研究,广泛应用于各个重要领域,例如智能视觉监控,人机交互以及基于内容视频的注释或检索等。由于单个视角下的人体动作识别存在一定的局限性,例如生活中常见的人体局部遮挡情形、光照因素以及动作识别精度。本文提出一种基于多视角特征的人体动作识别方法。在执行过程中,从多个视角可以得到一个视角独立的人体动作表示,为了捕获人体在不同视角下的动作,应用多个视角下的相机来捕获。人体的运动动作通常被描述为连续的人体姿势序列,提取人体动作的感兴趣区域(Regions of Interest)可以得到人体动作姿势向量,这样的二维图像在视频中应用图像切割技术可以获得。一般运动动作是用连续的动作姿势向量序列表示,本文将对提取到的人体动作连续姿势向量离散化为N个日常生活中的基本姿势动作向量,通过K-means聚类算法将人体动作的基本姿势向量划分为N类,人的运动动作由一系列离散时间序列图像帧表示,离散后姿势序列中每一帧表示运动动作过程中的一个特殊动作姿势,即一个人体的完整运动动作由基本运动模式通过独特组合而成;然后对获得的动作姿势向量进行模糊向量量化处理得到相应动作实例的隶属度向量。极限学习机ELM(Extreme Learning Machine)是一种相对快速的单隐层前馈神经网络训练算法,传统的神经网络训练算法需要对中间隐藏层输入权值和偏置进行调整,而极限学习机的输入权重和隐藏层的偏置值是随机选择的,训练是为了得到中间隐藏层的网络输出权重。在动作训练阶段,将部分已标记动作实例进行特征提取后输入到极限学习机中训练中间隐藏层的输出权值。在动作测试阶段,将未标记的测试动作视频进行上述步骤的特征提取后输入到经过动作训练后的极限学习机中,获得单个视角下的人体动作分类结果。同样的多个视角下采用对各个单视角下的动作分类结果进行投票原则得到多视角下的最终动作分类结果,实现对多个视角下的人体动作分类。本文还将对输入到极限学习机中的动作特征图像数据进行数据降维,可以有效减少训练时间,还优化了训练阶段和测试阶段的输出误差。本文在KTH和UCF50动作数据集上分别进行单视角和多视角下的人体动作分类实验,经过实验证明本文提出的基于多视角特征的人体动作识别方法在人体动作识别领域的有效性,与其它动作识别算法的分类结果进行对比表明本文算法的优越性。(本文来源于《广东工业大学》期刊2018-05-01）
潘瑞（PERRY,FORDSON）[9]（2018）在《基于多模态人体数据情绪识别及特征学习方法研究》一文中研究指出人体包含与情绪相关的生理和身体反应。情绪在在我们的日常活动中扮演着非常重要的角色,不仅在与人类同胞互动,而且存在于决策过程中。情绪也影响我们观察世界以及发生的一切。多模式信号的情感识别允许直接评估对象的“最内”状态,这被认为是人机交互(HCI)的重要组成部分。本文在生理信号数据库(DEAP数据集)进行情感分析,通过结合基于环形模型的所有生理信号进行实验,也称为唤醒评定量表。这些信号包括脑电图、垂直眼电、肌电图,呼吸带,皮肤电流反应,体积描记器和温度。然后,我们研究收集的信号,并选择从我们模型中学习的显着特征。我们将情绪定义为叁个不相似的类别:两和叁个类别使用1-9个不同的自我评估表,另一个模型使用叁个不相似的情感编码关键词在直观感知2D模型中划分叁个区域。为了使我们获取更稳健,更准确的结果,与其他方法进行相比,我们将DEAP数据库分为训练,测试和验证数据集。DEAP采样率降至128Hz,我们尽可能去除所有伪影和噪音来获得平稳的信号。我们还应用了快速傅里叶变换,一种信号处理技术将信号从原始域转换为频域中的表示。我们最终使用宽度学习系统完成了分类任务,一个强大的神经网络和学习算法作为分类器。在应用宽度学习系统进行训练,验证和测试我们的模型时,我们分别获得了效价和唤醒分别为75.68和71.43,实验证明我们的工作比其他人具有更加有效的结果。(本文来源于《华南理工大学》期刊2018-04-21）
王忠民,周肖肖,王文浪[10]（2018）在《低层特征与高层语义融合的人体行为识别方法》一文中研究指出针对现有跌倒检测中跌倒样本采集困难,跌倒行为样本规模较少导致的识别率较差的问题,提出一种基于低层特征与高层语义的人体行为识别方法.该方法引入语义属性特征以便在某些行为样本较少的情况下能够共享行为之间的低层特征信息,通过构建属性-行为矩阵,利用低层特征信息训练语义属性检测器,得到语义属性特征,对属性特征与低层特征分别进行预分类,融合两种特征的预分类结果得到最终判决的人体行为类别.实验结果表明,与过采样算法、欠采样算法和最小二乘支持向量机相比,本文所提方法获得了更好的分类结果.(本文来源于《小型微型计算机系统》期刊2018年04期）
人体特征识别方法论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在基于惯性传感器人体行为识别的研究中,特征选择的作用是挑选相关特征,以提高分类性能,去除冗余特征以降低计算复杂度。针对传统的过滤式特征选择方法仅使用一种相关度量系数筛选特征效果不佳的问题,提出一种改进的基于最大相关与最小冗余(mRmR)准则的特征选择方法。该方法在基于mRmR准则下,采用多种相关度量系数融合的方式,在考虑分类类别的条件下,分析待挑选特征与已选特征间的相关性对特征筛选可能产生的积极影响,以去除部分冗余、不相关特征,进而得到初选特征子集;然后利用二进制数对筛选后的特征编码,通过遗传算法搜索最优或次优特征子集。分别使用SVM和KNN分类器对7种日常行为进行分类。实验结果表明,与其他几种方法相比,该方法对实验分类的7种行为有最高的总体平均识别精度,通过SVM和KNN分类的各行为总体平均识别精度分别达到了97.02%和95.73%,与传统的mRmR方法相比,分别提高了13.72%和9.92%。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
人体特征识别方法论文参考文献
[1].陈永浩.遮挡条件下人体局部运动特征多路径识别方法[J].电子设计工程.2019
[2].王华华,黄龙,周远文,赵永宽.改进的mRmR特征选择方法在人体行为识别中的应用[J].重庆邮电大学学报(自然科学版).2019
[3].柳似霖,王颖,吴峰.基于局部特征词袋模型人体动作识别关键帧选取方法[J].应用光学.2019
[4].韩欣欣,叶奇玲.基于SIFT和HOG特征融合的人体行为识别方法[J].计算机技术与发展.2019
[5].郑潇,彭晓东,王嘉璇.基于姿态时空特征的人体行为识别方法[J].计算机辅助设计与图形学学报.2018
[6].陈庆峰,冯仕民,丁恩杰.一种基于多特征多分类器融合的人体行为识别方法[J].河南科技大学学报(自然科学版).2018
[7].邵禹铭.基于深度学习方法的人体微动特征识别[D].中国科学技术大学.2018
[8].何威.基于多视角特征的人体动作识别方法研究[D].广东工业大学.2018
[9].潘瑞（PERRY,FORDSON）.基于多模态人体数据情绪识别及特征学习方法研究[D].华南理工大学.2018
[10].王忠民,周肖肖,王文浪.低层特征与高层语义融合的人体行为识别方法[J].小型微型计算机系统.2018