摘要：目的人體行為識別在視頻監(jiān)控、環(huán)境輔助生活、人機交互和智能駕駛等領(lǐng)域展現(xiàn)出了極其廣泛的應(yīng)用前景。由于目標(biāo)物體遮擋、視頻背景陰影、光照變化、視角變化、多尺度變化、人的衣服和外觀變化等問題,使得對視頻的處理與分析變得非常困難。為此,本文利用時間序列正反演構(gòu)造基于張量的線性動態(tài)模型,估計模型的參數(shù)作為動作序列描述符,構(gòu)造更加完備的觀測矩陣。方法首先從深度圖像提取人體關(guān)節(jié)點,建立張量形式的人體骨骼正反向序列。然后利用基于張量的線性動態(tài)系統(tǒng)和Tucker分解學(xué)習(xí)參數(shù)元組(A_F,A_I,C),其中C表示人體骨架信息的空間信息,A_F和A_I分別描述正向和反向時間序列的動態(tài)性。通過參數(shù)元組構(gòu)造觀測矩陣,一個動作就可以表示為觀測矩陣的子空間,對應(yīng)著格拉斯曼流形上的一點。最后通過在格拉斯曼流形上進行字典學(xué)習(xí)和稀疏編碼完成動作識別。結(jié)果實驗結(jié)果表明,在MSR-Action 3D數(shù)據(jù)集上,該算法比Eigenjoints算法高13. 55%,比局部切從支持向量機(LTBSVM)算法高2. 79%,比基于張量的線性動態(tài)系統(tǒng)(t LDS)算法高1%。在UT-Kinect數(shù)據(jù)集上,該算法的行為識別率比LTBSVM算法高5. 8%,比t LDS算法高1. 3%。結(jié)論通過大量實驗評估,驗證了基于時間序列正反演構(gòu)造出來的t LDS模型很好地解決了上述問題,提高了人體動作識別率。