基于Kinect的骨架跟踪与离散HMM人体行为识别方法

本文主要探讨了一种利用骨架关节点跟踪的人体行为识别方法，发表于2015年的《河南科技大学学报：自然科学版》。研究背景中指出，传统的基于彩色图像的运动检测和分割方法在获取完整人体骨架以及精确提取关节点三维坐标上存在局限性，它们往往只能获取二维信息，无法满足对精确度要求较高的应用，如运动分析、人机自然交互和智能监控。 研究者采用了微软的Kinect传感器，这是一种能够捕获深度图像的设备，通过其内置的骨架跟踪模块，可以直接重建出人体骨架的三维模型，显著提升了关节点模型的表示精度。本文的核心步骤包括：首先，利用Kinect获取人体骨架数据，提取关键骨骼点；接着，设计了一种坐标转换策略，将这些二维坐标转化为三维坐标，以便更好地理解和表示人体姿态；随后，采用k均值聚类算法对骨架关节点的坐标进行量化，将其转化为符号序列，这是为了便于后续的处理和模型构建。 为了进行行为识别，研究人员构建了一个离散隐马尔可夫模型（Hidden Markov Model，HMM）。HMM是一种统计建模工具，特别适合处理序列数据，能够捕捉时间序列中的模式变化。通过这种模型，他们能够学习并预测人体行为的可能序列，从而实现行为识别。 实验部分是在自建数据集上进行的，结果显示，该方法在人体行为识别方面表现出色，达到了94%的识别率，这在当时的技术水平下是一个相当高的成绩。研究者陈曦和孟庆虎，分别来自河南科技大学电子信息工程学院和香港中文大学电子工程学系，他们的工作着重于医用机器人、机器视觉、智能控制和系统研究。 本文为人体行为识别提供了一种基于Kinect传感器和骨架关节点跟踪的创新方法，利用三维坐标表示和离散隐马尔可夫模型，有效提高了识别的精度和实用性，对于相关领域的研究和技术发展具有重要意义。