基于流形学习与隐条件随机场的人体动作识别

提出了一种基于流形学习与隐条件随机场(hiddenconditionalrandomfields,简称hcrf)的动作识别方法.算法提取人体剪影作为输入特征,采用有监督的保持邻域嵌入(neighborhoodpreservingembedding,简称npe)的子空间学习算法获得高维运动特征的低维流形表示,基于hcrf建模运动特征与动作语义之间的映射关系.在降维过程中,通过保持数据的局部邻接关系,npe可以获取动作特征在低维流形空间上的本质分布特性.与hmm(hiddenmarkovmodel)等产生式模型相比,hcrf侧重从样本数据中抽取共有特征以获取正确的分类边界,不需要假定观测过程条件独立,可以更加自然地对动作的时空邻域关系进行建模.实验结果表明,即便对于特征差异较大或存在噪声干扰的动作序列,算法也能取得较好的识别效果.