北方自动控制技术研究所 030006
摘要:在我国现代视频技术以及网络科学技术蓬勃发展的时代背景下,基于图像处理的智能化应用行业领域也愈加广泛起来,例如航空航天领域、生物医学领域以及多媒体系统领域都实现了图像处理的深度推广。而图像处理本身作为一种利用计算机网络来实现图像信息处理的一门专业性技术,最主要的处理方式也是利用计算机来实现图像的多样化处理,其最终目标是为了进一步修改图形并提升图像质量,从图像中收获更加真实有效的数据信息。所以关于图像处理的人体动作识别也主要是对人体的活动动作姿态进行识别,深刻理解不同人群的动作与行为。对此,本文基于实现人体动作识别的基本步骤,重点分析基于图像处理下的人体动作识别,并阐述最主要的人体动作识别方法,了解不同人群的运动模式。
关键字:图像处理;人以动作识别;神经网络
前言:近年来,关于人体动作识别研究的最终目的主要是针对基于视频下的人体行为模式进行深入理解与分析,随着人体动作识别研究的深入发展,我国现代社会对于计算机视觉领域也提出了全新的创新挑战。尤其是针对目标检测与设备技术来说,这一阶段作为整个系统实现人体动作识别的关键型技术,更是实现目标识别的必要前提,保证目标识别的整体效率。从整体上来看,基于图像处理下的人体动作识别研究能够更好的弥补传统识别中的缺陷,满足深层次识别的特征与实时性,具有针对性的问题解决走向。
1.人体动作识别的基本步骤
1.1目标检测
目标检测这一环节作为开展人体动作识别的关键性步骤,其主要的检测方式就是针对图像进行后期处理,并建立在目标检测基础之上。目前,这一阶段根据不同的检测目标可以分为静态目标检测以及动态目标检测两种方式,其中静态目标检测方式主要是基于静态图像下的目标检测手段,例如一些最基础的静态手势、静态车牌以及静态文本等,反之动态目标检测方式则主要是指基于视频图像下的动态目标,例如最显著的人脸识别、物体跟踪等动态方式的检测。
1.2目标跟踪
在目标跟踪这一环节当中,主要是针对特定目标基于视频图像下的各项动态变化进行监视,例如目标出现的变化、位置以及形状等等,都是目标在同一背景区域下连续时间段内必须要落实的跟踪检测问题【1】。从本质上来说,目标跟踪这一环节的开展必须要落实在目标检测技术之上,其跟踪的最终目的就是针对目标的变化进行合理判定,满足最基础的跟踪条件。目前,在目标跟踪的发展历程当中,主要是依据目标的几何特征或颜色特征来保持目标跟踪下的动态确认。
1.3目标识别
所谓目标识别,主要就是针对基于目标检测下来的运动个体实现深入分类和分析。目前,目标识别下的算法主要可分为两种形式,即基于目标物理属性的识别以及基于目标运动属性的识别。从本质上来说,前者的识别手段主要是利用检测出的目标运动区域面积或颜色特征来开展目标的识别过程,反之后则在目标识别上则是根据目标在运动区域的运动速度或加速度等特征来进行辨别。
2.基于图像处理的人体动作识别研究
2.1图像预处理
在视频图像当中,由于其视频监控设备本身以及外部多因素环境的影响,所以在最终的视频图像质量采集上都会出现不同程度的退化,直接影响到最终的视频图像视觉效果以及处理分析过程。所以在通常情况下,开展人体动作识别分析之前,都要针对所采集到的原始视频图像进行相应的图像预处理。这样一来,除了能够针对图像原有的噪声信息进行清除外,也能够进一步加强基于图像目标的特征信息,全面提升后续图像信息处理的效率与准确度。
2.2运动目标检测方法
运动目标检测方法主要包含了图像预处理以及运动目标分割这两大步骤,目前基于运动目标下的检测方法主要可分为两大类别,第一种是利用检测空间的相关属性,根据不同目标的轮廓性质来实现运动目标的深入检测。而第二种则是以目标在运动过程当中所产生的速度变化或加速速度变化作为衡量的标尺,并在此基础上利用背景减除法或帧间差分法等方式实现目标检测。从整体上来说,当前在目标检测方法的利用上,还需要根据目标所处的不同条件以及不同的检测需求来落实检测方法的应用,以此来达成高效的检测结果。
3.人体动作识别方法
3.1特征提取
人体作为非刚性的物体,所产生的行为也十分多样化,从本质上来说人体姿态千姿百变,所以要想精准的识别人体动作,就必须要根据特定的动作模型来识别基于不同环境下的人体动作发展态势。但值得注意的是,人体动作模型建立的前提条件还是在人特征向量上的提取,但特征向量的提取过程并不是特殊的人群或特定的人群,而是要具备代表着大众特征的特征向量,进而实现不同人群基于不同动作变化下的人体特征姿态【2】。目前,人体特征向量的识别方式主要是根据人的高宽以及人的区域性面积,或者是提取目标在不同动作下距离人的区域边界距离,以此来满足人体动作模型的建立前提条件。
3.2分层识别器
分层识别器的利用主要是根据目标不同的特征向量以及其初始分类来落实其识别过程,主要可分为三个步骤来进行目标动作的识别,即初始分类、进一步分类以及最终识别。
3.3识别率结果分析
表一 人体动作识别率
表一中显示了基于人体动作下的识别效率,在本次实验当中所选择的被识别人体目标动作主要可分为站立、弯曲以及躺下这三种形式,且这三种人体动作行为都是相对于简单的动作目标。尽管如此,这三种动作在识别的过程当中也由于外部条件的限制或自身因素的影响,误识别了其余动作目标。所以从整体上来说,这种简单的人体动作识别算法只能针对于普通人体的体型,对于一些过胖、过矮、过高、过瘦的体型来说通通不适用,要想针对人体的复杂动作进行识别,则还需要进行深入的创新研究。
结论:
综上所述,在我国现代信息技术高速发展的今天,多媒体的数据类型也十分多样化,而视频作为多媒体数据类型的主体表现形式之一,在庞大的视频数据体系中也包含着非常有价值的数据信息,如何快速理解基于视频图像下的人体行为状态,也成为当前社会诸多学者的重点研究方向。其中目标识别作为图像处理的必要阶段,由于人作为非刚性的物体,所以在人体动作的识别上也是处理过程中的一个难点内容。从整体上来说,本文在针对人体动作识别进行研究过程当中通过简单的动作识别后,分析了人体站立、弯曲以及坐躺等三种动作形态,可以得出在一些人体简单动作的识别率上较高,但相对于复杂的动作或是针对人体运动的目标识别显然还仍需深入研究,利用更好的技术手段来满足目标识别。
参考文献:
[1]姚玉未.基于图像处理的人体动作识别及追踪机器人研究[J].无线互联科技,2021,18(22):121-122.
[2]杨明. 基于图像处理的人体动作识别及追踪机器人[D].长安大学,2019.