93、现实环境中日常活动的识别

现实环境中日常活动的识别

1. 研究背景与动机

在实际环境中进行日常活动识别面临诸多挑战。一些参数会显著降低前三类特征的识别结果，而 3D 光流和时空特征则需要颜色信息才能得到可靠结果。以往在控制良好的数据集上有效的方法，在实际场景中可能会出现问题，比如依赖从用户点云提取表面法线的方法，当用户点云存在大量噪声时，效果就会大打折扣。

过去，人们使用过多种分类器来识别日常活动，如贝叶斯网络和支持向量机（SVM）。由于活动识别本质上是一个时间分类问题，因此马尔可夫状态序列模型受到了重视，如隐马尔可夫模型（HMM）及其扩展。条件随机场（CRF）作为 HMM 的判别式对应模型，在手势识别和运动跟踪等领域有广泛应用，但在基于用户位置轨迹的实际家庭日常活动检测中，尤其是隐藏条件随机场（HCRF），尚未得到充分研究。

2. 研究贡献

本研究发现判别式模型（如 CRF）在通过环境状态变化传感器识别家庭日常活动方面有潜力超越生成式 HMM。在此基础上，研究进一步考察了 HCRF 基于用户位置轨迹提升日常活动识别效果的能力。同时，研究还将用户姿势信息和新颖的 3D 点云特征融入识别方案。实验结果表明，仅基于用户位置轨迹，HCRF 就优于 HMM；融合轨迹特征、用户姿势和手势特征后，日常活动识别性能进一步提高，五个目标活动的精度和召回率达到了 90.52%。

3. 基于深度视频的用户监测

• 用户轮廓提取 ：为了跟踪用户在房屋内的移动、姿势和动作，首先需要从深度输入图像中提取用户轮廓。在系统初始化前，会捕获背景图像，运行时通过将当前帧中每个像素的深度值减去背景图像中对应像素的深度值