17、基于多元时间序列的人类活动早期分类方法

基于多元时间序列的人类活动早期分类方法

在当今科技飞速发展的时代，人类活动分析在诸多领域展现出了巨大的应用潜力。从人机交互到体感游戏，从智能监控到医疗辅助研究，人类活动的识别与预测变得愈发重要。而早期识别正在进行的活动，对于许多时间敏感的场景具有显著的益处。本文将介绍一种新颖的方法，用于对以多元时间序列（m.t.s.）数据表示的人类活动进行早期分类。

1 引言

人类运动分析（HMA）是一个高度跨学科的研究领域，吸引了计算机视觉、机器学习、多媒体和医学研究等多个领域的广泛关注。其应用范围涵盖了人机交互、安全监控、健康医疗、信息技术和娱乐等日常生活的方方面面。作为HMA的一个重要研究方向，动作识别为上述所有应用奠定了基础。

尽管动作识别在文献中已经得到了深入研究，但活动预测在多媒体和计算机视觉领域仍是一个相对较新的话题。活动的空间和时间结构为研究界带来了新的挑战和机遇。本文重点关注正在进行的活动的早期识别，这对于各种时间敏感的场景非常有益。

例如，在人机交互中，通过早期识别传感器或深度相机捕捉到的人类动作，可以预测人们的意图，从而大大缩短系统响应时间，提供更自然的交流体验。在许多实时体感游戏中，早期识别人类动作可以减少延迟感，创造更丰富、更愉快的游戏体验。

本文引入了一种新的方法，用于对以多元时间序列（m.t.s.）数据表示的人类活动进行早期分类。活动的空间结构由预定义人体模型的维度编码，而活动的时间结构则由两种时间模式建模：（1）时间动态和（2）顺序线索。

关键思想是将m.t.s.活动观测建模为多元标记点过程（Multi - MPP）的实例。Multi - MPP的每个维度表征了活动特定身体部位的时间动态，同时保留了时间和