شناسایی رفتار انسان از ویدئو های عمقی به کمک یادگیری گروهی

این مقاله در حوزه بازشناسی رفتار انسان - تدوین شده است و به بررسی سه دسته از ویژگیهای بهدستآمده از ویدئوهای عمقی، شامل ویژگیهای رنگی، توالی نقشههای عمقی و اسکلت بهدستآمده از تصاویر عمقی، میپردازد. در ابتدا نقاط کلیدی فضایی زمانی از - تصاویر استخراج شده و سپس از روش HOG برای استخراج ویژگی استفاده میشود. همچنین فاصله مفاصل از یکدیگر و زاویه مفاصل محاسبهشده و به عنوان ویژگی،مورد آزمایش قرار میگیرند. در نهایت برای کلاسبندی از رویکردهای یادگیری گروهی استفاده شدهاست. به این ترتیب که هر دسته از ویژگیهای مطرح شده به یک طبقه بند SVM داده شدهاست، میانگین میزان دقت تشخیص حرکات بر روی مجموعه داده MSR Daily Activity 3D ۹۲% ، به دست آمده است که نسبت به بهترین روش ارائهشده بر روی این مجموعه داده، ۳.۲ % بهبود داشتهاست. نوآوری قابلتوجه در این کار، استفاده از ویدئوهای عمقی به جای RGB و ترکیب ۳ دسته ویژگی متفاوت در شناسایی رفتار است.

کلیدواژه ها:

تصاویر عمقی ، شناسایی رفتار ، طبقه بند SVM ، یادگیری گروهی