为了解决类能量图易受人体运动时间和位置移动等因素影响而难以有效描述动作细节特征的问题, 本文提出了一种基于类能量图金字塔梯度直方图(PHOG)融合特征和多类别Adaboost分类器的人体行为识别方法。该方法首先对经过躯体配准的运动人体目标轮廓图像构造平均运动能量图(AMEI)和增强的运动能量图(EMEI), 分别提取其分层梯度方向直方图(PHOG)特征并进行串联融合, 作为一种多层次的行为特征描述; 然后使用基于查找表的LUT-Real Adaboost算法设计多类别分类器, 实现图像中人体行为动作的识别。实验结果显示其在典型的人体动作数据集DHA上的正确识别率达97.6%, 高于其它采用单一特征描述和SVM等分类器的方法。表明该方法将整体与局部特征相结合, 可以有效描述不同尺度下的动作细节特征, 增强了人体行为特征的描述能力, 提高了识别性能。

为提高步态识别准确率, 提出了基于空-频域特征和线性判别分析的视频步态识别方法。利用离散余弦变换、Contourlet变换分别提取步态能量图的频率特征和多尺度多方向轮廓特征; 融合得到空-频域特征, 并通过线性判别分析映射到最佳鉴别矢量空间; 根据相似性距离实现身份识别。在中科院自动化所提供的数据库中进行实验, 结果表明, 提出的特征提取方法优于现有常用方法。空-频域特征能够有效地区分步态中的高低频分量,并捕捉丰富的细节信息, 线性判别分析在降维的同时进一步增强特征的判别能力, 有助于提高识别精度。

针对多视角下老龄人异常行为检测问题, 利用3D人体数据和多线性子空间分析方法, 从时间、视角和空间动作特征对其进行了研究。首先通过三维结构光传感器获取人体扫描点云数据, 并进行点云精简和人体表面重建。然后提取人体点云数据的表面曲率特征, 并将其映射到二维彩色图像中, 构成彩色动作特征图。通过提取特定时长内所有动作的彩色特征图, 生成基于曲率的彩色动作能量图模型, 并使用2D-PCA对彩色动作能量特征图进行降维。最后运用基于张量分析的多线性子空间分析方法, 对多视角下降维后的数据进行视角无关的特征提取, 并完成异常行为的分类和识别。实验结果表明, 该方法切实可行, 可将其应用于助老机器人和老龄人监护等相关领域。

物体的变形、边缘中断等因素通常对物体检测的结果影响很大。为了减小这些因素的影响, 提出一种新的基于边缘能量图的物体检测方法。边缘能量图在一定程度上反映了物体的边缘出现的概率, 便于计算并具有较好的鲁棒性。计算出图像的边缘图像, 在此基础上分别计算出模型和测试图像的边缘能量图。基于多分辨率的滑动窗口, 在图像中找出测试图像边缘能量图与模型边缘能量图最相似的区域。基于边缘能量图快速得到目标物体的轮廓。实验结果显示, 该方法使用较快的计算速度得到了相对较高的检测率。