تأثیر کاهش ابعاد ویژگی ها در دقت بازشناسی فعالیت انسان

تجزیه و تحلیل حرکات انسان توجه زیادی از محققان بینایی کامپیوتر را به خود جلب کرده است. در واقع، شناسایی فعالیت انسان می تواند مزایای بزرگ اجتماعی داشته باشد، به ویژه در زندگی واقعی در برنامه های انسان محور مانند مراقبت های سالمندان و مراقبت های بهداشتی مورد استفاده قرار می گیرد. این مقاله بر شناخت فعالیت های انسانی ساده تمرکز دارد؛ زیرا شناخت فعالیت های پیچیده هم چون ماهیت حالت های فعالیت های انسانی چالش های مختلفی به همراه دارد. اولین تمرکز برای تشخیص دقیق فعالیت های انسانی بر اساس یک مدل فعالیت از پیش تعریف شده می باشد؛ یک محقق کشف الگوی فعالیت، ابتدا یک سیستم فراگیر ایجاد می کند و سپس داده های سنسور را برای کشف الگوهای فعالیت تجزیه و تحلیل می کند. این مقاله یک رویکرد با استفاده ازاطلاعات یک دوربین rgb-d که مایکروسافت کینکت نامیده می شود برای تشخیص فعالیت انسان ارائه می دهد. در این سیستم از ترکیب سه روش یادگیری ماشین gaussian mixture models (gmms)، support vector machine (svm) و hiddenmarkov models (hmm) با کاهش ابعاد با روش principal component analysis (pca) استفاده شده است. آزمایشات با دو مجموعه داده kinect و 60- cadانجام شده است. روش های مبتنی بر یادگیری مذکور دو هدف اصلی را دنبال می کند: (1) فعالیت های ناشناخته را برچسب گذاری می کند و (2) با چند مثال یاد می گیرد. بهترین دقت تشخیص فعالیت سیستم پیشنهادی 99.05 درصد است.