Loading...

Human Action Recognition Using Depthmap Image Sequences for Abnormal Event Detection

Mokari, Mozhgan | 2016

1413 Viewed
  1. Type of Document: M.Sc. Thesis
  2. Language: Farsi
  3. Document No: 49038 (05)
  4. University: Sharif University of Technology
  5. Department: Electrical Engineering
  6. Advisor(s): Mohammadzadeh, Hoda
  7. Abstract:
  8. The human action recognition is one of the most important concepts of computer vision in recent decades. Most of the two dimensional methods in this field are facing serious challenges such as occlusion and missing the third dimension of data. Development of depth sensors has made easy access to tracking people and 3D positions of human body joints. This Thesis proposes a new method of action recognition that utilizes the position of joints obtained by Kinect sensor. The learning stage uses Fisher Linear Discriminant Analysis (LDA) to construct discriminant feature space. Two types of distances, i.e., Euclidean and Mahalanobis, are used for recognizing the states. Also, Hidden Markov Model (HMM), has been used to recognize the action related to each sequence of states and therefore the actions are classified. According to results, this method significantly outperforms other popular methods, with recognition rate of 88.26% for eight different actions and up to 95.42% for classifying fall actions
  9. Keywords:
  10. Human Action Recognition ; Falling ; Hidden Markov Model ; Kinect Sensor ; Linear Discriminant Analysis ; Abnormal Activity ; Three Dimentional Joint Position

 Digital Object List

 Bookmark

  • به نام خدا
  • دانشگاه صنعتی شریف
  • دانشکده مهندسی برق
  • تقدیم به :
  • تشكر و قدرداني:
  • چکیده
  • فهرست مطالب
  • فهرست جدول‌ها
  • فهرست شکل‌ها
  • فصل1 معرفی پژوهش
    • 1-1 مقدمه
    • 1-2 ساختار پایان نامه
  • فصل2 پیشینه پژوهش
    • 2-1 مقدمه
      • 2-1-1 روش‌های دوبعدی
        • 2-1-1-1 روش‌های ترتیبی
        • 2-1-1-2 روش‌های مکانی _ زمانی
      • 2-1-2 روش‌های سه‌بعدی
        • 2-1-2-1 روش‌های ترتیبی
        • 2-1-2-2 روش‌های مکانی ـ‌ زمانی
      • 2-1-3 نتیجه‌گیری
  • فصل3 روش ارائه شده
    • 3-1 مقدمه
    • 3-2 مدل‌کردن وضعیت قرارگرفتن بدن
      • 3-2-1 انتخاب مفاصل
      • 3-2-2 پیداکردن وضعیت‌های اصلی
      • 3-2-3 تنظیم‌کردن داده‌ها
      • 3-2-4 مقیاس‌کردن اسکلت بدن فرد
      • 3-2-5 استخراج ویژگی
        • 3-2-5-1 کاهش ابعاد بردار ویژگی
        • 3-2-5-2 انتخاب معیار فاصله برای یافتن کمترین فاصله
    • 3-3 مدل‌کردن حرکت انسان
      • 3-3-1 مدل مارکوف پنهان (HMM)
        • 3-3-1-1 تئوری مدل مارکوف پنهان[47]
        • 3-3-1-2 پیاده‌سازی مدل مارکوف پنهان
    • 3-4 جمع‌بندی
  • فصل4 ارزیابی و بهبود عملکرد سیستم
    • 4-1 مقدمه
    • 4-2 مجموعه داده
    • 4-3 معیارهای ارزیابی خطا
    • 4-4 تحلیل و بررسی نتایج
      • 4-4-1 بررسی نتایج براساس تکرارهای انجام حرکات توسط هر فرد
        • 4-4-1-1 تشخیص وضعیت قرارگرفتن بدن
        • 4-4-1-2 تشخیص حرکت
      • 4-4-2 بررسی نتایج براساس حرکات افراد مختلف
        • 4-4-2-1 تشخیص وضعیت قرارگرفتن بدن
        • 4-4-2-2 تشخیص حرکت
      • 4-4-3 تحلیل وقوع خطا در وضعیت‌های مختلف قرارگرفتن بدن
      • 4-4-4 تحلیل وقوع خطا در حرکات مختلف
    • 4-5 بررسی و بهبود عملکرد سیستم
      • 4-5-1 انتخاب تعداد حالت مناسب در مدل مارکوف پنهان
      • 4-5-2 استفاده از سایر طبقه‌بندها برای تشخیص وضعیت قرارگرفتن بدن
      • 4-5-3 حذف وضعیت‌های نامطمئن
      • 4-5-4 فرض پیوستگی در طول حرکت
    • 4-6 جمع‌بندی
  • فصل5 ارائه و تحلیل نتایج
    • 5-1 مقدمه
    • 5-2 ارزیابی و مقایسه
      • 5-2-1 مقایسه نتایج
        • 5-2-1-1 بررسی نتایج براساس حرکت افراد مختلف
        • 5-2-1-2 استفاده از دو مدل مارکوف پنهان کلی برای مجموعه حرکات افتادن و معمول
        • 5-2-1-3 تشخیص حرکت جدید
    • 5-3 ارزیابی روش بر روی داده‌های استخراج‌شده از سنسور کینکت
    • 5-4 جمع‌بندی نتایج
  • فصل6 نتیجه‌گیری و پیشنهادات
  • مراجع
...see more