畢設(shè)題?：Matlab?勢(shì)識(shí)別
1 案例背景
?勢(shì)識(shí)別可以分為基于可穿戴設(shè)備的識(shí)別、基于觸摸技術(shù)的識(shí)別和基于計(jì)算機(jī)視覺的識(shí)別。其中，基于計(jì)算機(jī)視覺的識(shí)別，?勢(shì)圖像信息由?個(gè)或多個(gè)攝像頭采集，采集的數(shù)據(jù)進(jìn)?預(yù)處理，包括去噪和信息增強(qiáng)。然后，利?分割算法獲取圖像中的?標(biāo)?勢(shì)。通過視頻處理和分析得到當(dāng)前?勢(shì)的分類和描述，最后通過?勢(shì)識(shí)別算法對(duì)?標(biāo)?勢(shì)進(jìn)?識(shí)別。基于?勢(shì)的?勢(shì)識(shí)別主要由?勢(shì)分割、?勢(shì)分析和?勢(shì)識(shí)別三部分組成。
1 ?勢(shì)分割
第?步是對(duì)輸?圖像執(zhí)??勢(shì)分段。?勢(shì)分割過程主要包括?勢(shì)定位和?勢(shì)分割兩部分。
（1）?勢(shì)定位
?勢(shì)定位過程在包含?勢(shì)的圖像幀序列中從復(fù)雜背景中提取?勢(shì)區(qū)域，實(shí)現(xiàn)?勢(shì)與背景的分離。?勢(shì)定位后，通過算法將當(dāng)前?勢(shì)從背景區(qū)域分割出來。靜態(tài)?勢(shì)只需要提取單個(gè)幀圖像的?勢(shì)特征，?動(dòng)態(tài)?勢(shì)則需要對(duì)提取的幀序列進(jìn)??勢(shì)分析。常?的?勢(shì)分割?法有基于運(yùn)動(dòng)信息的檢測(cè)分割、基于視覺特征的檢測(cè)分割和基于多模式融合的檢測(cè)分割。基于運(yùn)動(dòng)信息的檢測(cè)分割主要包括光流法和差分法。光流法不需要預(yù)先獲取圖像背景來表?復(fù)雜環(huán)境下的?勢(shì)運(yùn)動(dòng)，但要求背景圖像保持靜?，對(duì)光照要求較?。
使?光流?法實(shí)時(shí)跟蹤?勢(shì)。在靜態(tài)背景下，差分法對(duì)?勢(shì)的分割效果較好。對(duì)于?個(gè)移動(dòng)的背景，需要對(duì)背景進(jìn)?建模和區(qū)分。
使?Running Average?法對(duì)背景進(jìn)?建模，然后進(jìn)??勢(shì)分割
（2）?勢(shì)分割
基于明顯特征的分割?法主要包括膚?分割、紋理分割、?形分割和輪廓分割。
（a）膚?分割
膚?分割?法是最常?的?法：
使?集群的膚?在顏?空間建?膚?模型，如膚?建模通過RGB顏?空間：
翁等?使?貝葉斯?勢(shì)分割，建?膚?模型，然后結(jié)合?膚的顏?，運(yùn)動(dòng)，和?勢(shì)識(shí)別的輪廓形狀信息,??提?了分割精度。
這些分割?法不受?形的影響，但由于光照引起的膚?變化，分割錯(cuò)誤率??提?。
（b）基于多模式融合的分割?法主要是為了克服復(fù)雜環(huán)境對(duì)分割條件的影響，并結(jié)合各種特征，如表
觀特征和運(yùn)動(dòng)信息。當(dāng)使?單?可穿戴設(shè)備或背景來簡(jiǎn)化場(chǎng)景分割時(shí)，為了提?分割的準(zhǔn)確性，有時(shí)會(huì)??進(jìn)?標(biāo)記，這極?地影響了交互的?然度，從?限制了應(yīng)?范圍。其次，對(duì)?勢(shì)進(jìn)?建模和分析。
主要包括基于外觀的?勢(shì)建模和基于三維模型的?勢(shì)建模基于外觀的?勢(shì)建模可以分為?維靜態(tài)模型和運(yùn)動(dòng)模型。常?的策略有顏?特征、輪廓?何、可變形和移動(dòng)圖像參數(shù)。顏?特征是最常?的建模?法。
?單臺(tái)相機(jī)捕捉?部運(yùn)動(dòng)圖像，?顏?、運(yùn)動(dòng)、邊緣等多種信息建模，建??部運(yùn)動(dòng)的坐標(biāo)系來識(shí)別?勢(shì)[71]。利?圓周、質(zhì)?、邊界盒等?何特征建?輪廓?何模型。
使?旋轉(zhuǎn)歸?化?法對(duì)?勢(shì)區(qū)域的圖像進(jìn)?對(duì)齊，并使?KravtCouk矩作為輪廓特征訓(xùn)練模型來識(shí)別靜態(tài)?勢(shì)。通過?組能夠描述全局運(yùn)動(dòng)的物體輪廓插值節(jié)點(diǎn)，建?了基于gabarit的可變形模型。
最簡(jiǎn)單的插值?法是分段線性函數(shù)。
Ju等?利?snake算法分析了課堂上的視頻瀏覽和索引?勢(shì)。
基于運(yùn)動(dòng)圖像參數(shù)的模型與其他模型的不同之處在于，它們是由視頻序列中對(duì)象的平移、旋轉(zhuǎn)和?向等運(yùn)動(dòng)參數(shù)建模的。
提出在真實(shí)場(chǎng)景中使??個(gè)新的描述符和?個(gè)局部運(yùn)動(dòng)直?圖來描述運(yùn)動(dòng)模式，然后通過增強(qiáng)?法選擇
特征。該?法僅利?局部特征建?了明顯的?勢(shì)建模，計(jì)算復(fù)雜度較低。利?基于三維的?勢(shì)模型建?當(dāng)前圖像的三維模型，并根據(jù)相關(guān)參數(shù)計(jì)算?勢(shì)狀態(tài)。常?的?勢(shì)模型包括三維?架模型、三維紋理體模型和三維?何模型。
?架模型是最常?的三維模型。
使?Kinect?成的深度數(shù)據(jù)進(jìn)??建模。
2 ?勢(shì)分析
?勢(shì)分析由特征檢測(cè)和參數(shù)估計(jì)兩部分組成。
特征檢測(cè)?于從分割后的?勢(shì)中提取圖像特征參數(shù)。圖像特征主要包括視覺特征和語義特征。視覺特征包括顏?、紋理和輪廓，語義特征代表對(duì)圖像內(nèi)容的理解。
參數(shù)估計(jì)根據(jù)模型的不同使?不同的?法。
先??向梯度直?圖(HOG)描述運(yùn)動(dòng)員的?積，然后?主成分分析(PCA)將HOG投影到線性?空間中，得到PCA-HOG描述特征。曲棍球和?球的實(shí)驗(yàn)表明，該?法在光照、姿態(tài)和視?的變化下，對(duì)跟蹤和識(shí)別結(jié)果具有較強(qiáng)的魯棒性。
3 ?勢(shì)識(shí)別
?勢(shì)識(shí)別主要是基于傳統(tǒng)的機(jī)器學(xué)習(xí)?法和神經(jīng)?絡(luò)。使?傳統(tǒng)的機(jī)器學(xué)習(xí)模型識(shí)別基于視覺的?勢(shì)有很多?法。
靜態(tài)?勢(shì)識(shí)別采?模板識(shí)別，動(dòng)態(tài)?勢(shì)識(shí)別采?與時(shí)域信息相關(guān)的HMM。
所選擇的識(shí)別?法與?勢(shì)的類型有很?的相關(guān)性。
戴著有??套，??對(duì)普通的?絡(luò)攝像頭捕捉?戶的?勢(shì)數(shù)據(jù)，訓(xùn)練HMM模型對(duì)?戶預(yù)定義的?個(gè)?勢(shì)進(jìn)?實(shí)時(shí)跟蹤和識(shí)別。
近年來，隨著深度學(xué)習(xí)的發(fā)展，該技術(shù)已?泛應(yīng)?于?勢(shì)識(shí)別領(lǐng)域。
同時(shí)采集彩?圖像和深度圖像，提取?勢(shì)的?骼特征和梯度直?圖特征。然后將提取的特征融合起來，建?快速rnn，將連續(xù)的?勢(shì)分割成孤?的?勢(shì)。通過?個(gè)簡(jiǎn)單的遞歸神經(jīng)?絡(luò)(SRNN)。通過簡(jiǎn)單遞歸神經(jīng)?絡(luò)(SRNN)和長(zhǎng)短時(shí)記憶(LSTM)，建?了?于連續(xù)?勢(shì)識(shí)別的雙流遞歸神經(jīng)?絡(luò)2S-RNN。
Tsironi等結(jié)合卷積神經(jīng)?絡(luò)(CNN)對(duì)視覺特征的敏感性和LSTM對(duì)連續(xù)事件的有效性，提出了卷積長(zhǎng)短時(shí)記憶遞歸神經(jīng)?絡(luò)(CNNLSTM)。
4 現(xiàn)成案例（代碼+參考?獻(xiàn)）
6 參考?獻(xiàn)
[1]林曉予 .基于MATLAB仿真的?勢(shì)識(shí)別系統(tǒng)及其應(yīng)?[J].信息技術(shù)與信息化. 2020,(09)
