基于概率图模型的视角无关人体动作建模与识别方法研究

基于视频的人体动作识别由于其广泛的应用前景，已经成为计算机领域备受关注的前沿方向之一。然而视角约束问题已经成为基于视频的人体动作识别发展和应用的瓶颈问题。本课题充分利用概率图模型的动态建模能力，并结合人工智能的先进技术，以期解决视角不变的动作建模和识别的关键问题。通过建立合理的动态特征模型，从特征级提高识别算法的鲁棒性。研究新的概率图模型拓扑结构以及相应的建模和识别算法，使其适用于视角无关的动作识别这类复杂参数空间的建模问题，提高算法的识别精度。尝试利用反馈信息及合适的目标函数在线调整概率图模型的拓扑结构，使概率图模型方法具有在线学习新动作的能力。最终将初步建立一种新的基于概率图模型方法的视角无关的人体动作识别框架。 此项研究的成功推进将会有效解决人体运动分析研究和应用的视角约束问题，对于动作识别领域的进一步发展具有重要的理论意义和实用价值。

针对概率图模型用于视角无关动作识别普遍存在人体动作特征表示鲁棒性不强、动作建模参数空间复杂度高、动作模型无法识别未定义动作等问题，本课题组开展深入研究，取得了以下三个方面的突破性进展：(1)提出了一种基于兴趣点视频段词袋直方图与分区域光流幅度直方图相结合的特征，该特征对于一定的摄像机视角变化具有鲁棒性，且特征提取简单，抗干扰能力强，能够充分的表达人体的运动信息。(2)开创性地提出了一种基于视角空间切分的多视角空间概率融合隐马尔科夫模型识别算法，关键是采用参数空间分解的思想解决动作建模参数空间复杂度高的问题，该算法通过分别在各子视角空间下建立人体动作模型并通过概率融合进行识别的方式，有效的降低模型参数空间的复杂度，并大大提高视角无关动作识别的准确度。(3)在多视角空间概率融合隐马尔科夫模型基础上，首次提出了一种基于多视角空间状态转换的分等级隐马尔科夫模型的拓扑结构，合理的设计了相应的训练和识别算法，并成功应用于视角无关动作识别。该算法通过在多视角空间引入状态转换概率，有效的加强了各子视角空间下的动作模型之间的视角转换约束关系，使得算法对于视角变化问题的识别性能得到有效提升。在公开测试数据库上的大量测试实验表明，与目前国内外关于视角无关动作识别算法相比，所提出的方法在识别率和计算效率方面均具有较大优势。本课题组按照预期计划，创造性的建立了一种有效的基于概率图模型的视角无关动作识别方法框架，对于动作识别领域的发展具有重要的理论支撑作用和明确的应用价值。