Human motion analysis and action recognition

Abstract

İnsan hareketi tanıma sistemlerinin ana amacı, önceden tanımlanmış koşma, el çırpma gibi hareketleri otomatik olarak tanınmasını sağlamaktır. Güvenlik için izlemeden, insan-makine etkileşimine kadar geniş bir yelpazede bu sistemler kullanılmaktadır. Bu sistemleri en önemli birimi örüntü tanıma işlemleridir.Bu çalışmada, insan hareketlerinin tanınması için, iyi bilinen birkaç tanıma algoritması karşılaştırılmıştır. Öncelikle, önceden tanımlanmış olan ve farklı insanlar tarafından gerçekleştirilen koşma, jogging, el çırpma ve boks yapma gibi hareketlerden bir veritabanı oluşturulmuştur. Bu hareketlerin hepsi için geçmis hareket imgelerinden Hu moment'leri hesaplanmıştır ve birkaç özellik çıkarma algoritması ve tanıma algoritmalarıyla farklı kombinasyonlar kullanılarak test edilip sonuçları analiz edilmiştir.Test etmek için Support Vector Machines (SVMs) ve K Nearest Neighbours (KNN) algoritmaları kullanılmıştır. En iyi sonucu, Hu moment ve PCA ile elde edilen özelliklerin KNN ile testi sonucunu yüzde 95 başarı ile bulunmuştur. En kötü sonucu ise PCA ile oluşturulan özelliklerin SVMs ile test edilmesinde yüzde 80.6 ile elde edilmiştir.

The goal of human activity recognition systems is to build a system that can automatically infer a range of predefined activities, such as running, handclapping, etc, from recorded video sequences. Such a computerized system would be of great use for a variety of applications ranging from video surveillance for security to human-machine interaction. Typically, pattern recognition is the key component of such a system, where the goal is to classify, or more specifically ?recognize? the data, based on a priori knowledge or statistical information extracted from the patterns.In this study, we presented a comparison of several well-known pattern recognition techniques for a human activity recognition system. Firstly, the database of short video sequences that each consisting of a set of predefined actions, i.e. running, jogging, boxing and handclapping, performed by different people at different environments are used. Then, using sophisticated image processing and computer vision algorithms, the segmentation of the human performing the action was achieved and a set of descriptive features were extracted for each activity performed. Motion History Images (MHI) were used to describe these activities in a qualitative way and computed Hu moments, a widely used and well-known feature set to describe 2D or 3D shapes, for further processing. Several feature extraction and classification methods are compared using different combinations and the results are analyzed. These methods are Principle Component Analysis and Linear Discriminant Analysis.The features with Support Vector Machines and K Nearest Neighbours classifiers are tested. The best results are taken in Hu moments for KNN classifier, K=1 and PCA for KNN. The both accuracy is 95 percent. The worst results are taken in PCA for SVM. The accuracy is 80.6 percent.