تاثیر کاهش ابعاد ویژگی ها در دقت بازشناسی فعالیت انسان

تجزیه و تحلیل حرکات انسان توجه زیادی از محققان بینایی کامپیوتر را به خود جلب کرده است. درواقع، شناساییفعالیت انسان می تواند مزایای بزرگ اجتماعی داشته باشد، به ویژه در زندگی واقعی در برنامه های انسان محور مانندمراقبت های سالمندان و مراقبت های بهداشتی مورد استفاده قرار میگیرد. این مقاله بر شناخت فعالیت های انسانی سادهتمرکز دارد؛ زیرا شناخت فعالیت های پیچیده همچون ماهیت حالت های فعالیت های انسانی چالش های مختلفی به همراهدارد. اولین تمرکز برای تشخیص دقیق فعالیت های انسانی بر اساس یک مدل فعالیت از پیش تعریف شده می باشد؛ یکمحقق کشف الگوی فعالیت، ابتدا یک سیستم فراگیر ایجاد می کند و سپس داده های سنسور را برای کشف الگوهایفعالیت تجزیه و تحلیل می کند. این مقاله یک رویکرد با استفاده ازاطلاعات یک دوربین RGB-D که مایکروسافت کینکت نامیده می شود برای تشخیص فعالیت انسان ارایه می دهد. در این سیستم از ترکیب سه روش یادگیری ماشین (SVM) support vector machine ،)GMMS( Gaussian Mixture Models و (hiddenMarkov models (HMM با کاهش ابعاد با روش PCA) principal component analysis) استفاده شده است. آزمایشات با دو مجموعه داده Kinect و CAD-60 انجام شده است. روش های مبتنی بر یادگیری مذکور دو هدف اصلی را دنبال می کند: (1) فعالیت های ناشناخته را برچسب گذاری می کند و (2) با چند مثال یاد می گیرد. بهترین دقتتشخیص فعالیت سیستم پیشنهادی 99.05 درصد است.

Keywords:

تشخیص فعالیت انسان , پردازش ویدیو , استخراج ویژگی ها , خوشه بندی و دسته بندی داده ها