بازشناسی اعمال در ورزش کشتی با استفاده از هیستوگرام نقاط گراف حاصل از اسکلت سایه‌نما

چکیده

بازشناسی اعمال و رفتار انسان کاربردهای فراوانی در حوزه پردازش تصویر دارد و سال‌هاست که پژوهشگران و علاقه‌مندان در این حوزه کار می‌کنند. یکی از خلأهای تحقیقاتی موجود در این زمینه بازشناسی اعمال ورزشی دونفره است. در این پژوهش اعمال ورزشکاران در کشتی آزاد انتخاب‌شده و با تهیه یک مجموعه‌داده از فنون استفاده‌شده در کشتی، الگوریتمی برای شناسایی این فنون توسعه‌داده شده و آزمایش‌هایی پیاده‌سازی گردیده است. برای استخراج ویژگی از گراف به‌دست‌آمده از اسکلت افراد استفاده‌شده و با تهیه هیستوگرام دوبعدی قطبی از نقاط گراف در هر فریم و ترکیب آن‌ها در کل نمونه ویدیو به روش‌های مختلف، بردار ویژگی نهایی به‌دست می‌آید. برای دسته‌بندی از دو شیوه KNN و SVM به‌طور مستقل استفاده‌شده و نتایج به‌دست‌آمده از 3 دسته ترکیب متفاوت ویژگی‌های مکانی برای هر یک از دو دسته‌بند، مورد مقایسه و تحلیل قرار گرفته است. بالاترین دقت شناسایی برای دسته‌بند KNN حدود 90 در صد به‌دست آمده است.

کلیدواژه‌ها


عنوان مقاله [English]

Action recognition in free style wrestling using histogram of graph vertices from silhouette skeletons

چکیده [English]

Human Action and behavior recognition have many applications in computer vision and researchers have been working on this area for many years. Two-player sport action recognition is one of the research gaps in this scope. In this research, free style wrestling actions have been considered and by providing a dataset, an algorithm was developed to recognize such actions and different experiments were implemented. The free graph produced from player’s skeletons is used for feature extraction. In each frame, a feature vector is built using2-dimensional polar histogram of the graph points and by different combination of these vectors the final feature vector is produced for a video sample. Two classifiers; SVM and KNN were used independently to classify the actions based on different feature vector combinations. The highest score for action recognition is around%90 when KNN is used.

کلیدواژه‌ها [English]

  • Action recognition
  • wrestling
  • silhouette
  • skeleton features
  • graph
  • classification
  • Support Vector Machine
  • K-Nearest Neighbor
[1] G. Chéron, I. Laptev, and C. Schmid, “P-cnn: Pose-based cnn features for action recognition,” in Proceedings of the IEEE International Conference on Computer Vision, pp. 3218–3226, 2015.
[2] I. Atmosukarto, N. Ahuja, and B. Ghanem, “Action recognition using discriminative structured trajectory Groups,” Applications of Computer Vision (WACV), 2015 IEEE Winter Conference on. pp. 899-906. IEEE, 2015.
[3] S. Zaidenberg, B. Boulay, and F. Brémond, “A generic framework for video understanding applied to group behavior recognition,” In Advanced Video and Signal-Based Surveillance (AVSS), 2012 IEEE Ninth International Conference on, pp. 136-142. IEEE, 2012.
[4] J. K. Aggarwal and M. S. Ryoo, “Human activity analysis: A review,” ACM Comput. Surv., vol. 43, no. 3, pp. 1–43, Apr. 2011.
[5] G. Johansson, “Visual motion perception,” Sci. Am., vol. 232, pp. 76–88, 1975.
[6] H. Fujiyoshi, A. J. Lipton, and T. Kanade, “Real-time human motion analysis by image skeletonization,” IEICE Trans. Inf. Syst., vol. 87, no. 1, pp. 113–120, 2004.
[7] C. Zou and Z. Liu, “Behavior Classification Method Based on Skeleton Model from Video Images,” In Computer Science and Information Technology, 2008. ICCSIT'08. International Conference on, pp. 309-312. IEEE, 2008.
[8] E. Yu and J. K. Aggarwal, “Human action recognition with extremities as semantic posture representation,” in Computer Vision and Pattern Recognition Workshops, 2009. CVPR Workshops 2009. IEEE Computer Society Conference on, pp. 1–8, 2009.
[9] M. Z. Uddin, “Human Activity recognition using body joint-angle features and hidden markov model,” ETRI J., vol. 33, no. 4, pp. 569–579, Aug. 2011.
[10] L. Xia, C.-C. Chen, and J. K. Aggarwal, “View invariant human action recognition using histograms of 3d joints,” in Computer Vision and Pattern Recognition Workshops (CVPRW), 2012 IEEE Computer Society Conference on, pp. 20–27, 2012.
[11] R. Vemulapalli, F. Arrate, and R. Chellappa, “Human action recognition by representing 3d skeletons as points in a lie group,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 588–595, 2014.
[12] F. Ofli, R. Chaudhry, G. Kurillo, R. Vidal, and R. Bajcsy, “Sequence of the most informative joints (SMIJ): A new representation for human skeletal action recognition,” J. Vis. Commun. Image Represent., vol. 25, no. 1, pp. 24–38, Jan. 2014.
[۱۳] امیر فرید امینیان مدرس، بازشناسی و تحلیل فعالیت انسان در تصاویر ویدیویی چند دیدی، رساله دکتری، دانشگاه علم و صنعت ایران، ص. ۶۸-۵۳، خرداد ۱۳۹۳.  
[14] M. Jiang, J. Kong, G. Bebis, and H. Huo, “Informative joints based human action recognition using skeleton contexts,” Signal Process. Image Commun., vol. 33, pp. 29–40, Apr. 2015.
[15] X. Bai, L. J. Latecki, and W.-Y. Liu, “Skeleton pruning by contour partitioning with discrete curve evolution,” Pattern Anal. Mach. Intell. IEEE Trans. On, vol. 29, no. 3, pp. 449–462, 2007.
[16] K. Liu, Y. S. Huang, and C. Y. Suen, “Identification of fork points on the skeletons of handwritten Chinese characters,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 21, no. 10, pp. 1095–1100, 1999.
[17] A. B. Iraola, “Skeletonization, skeleton pruning and simple skeleton graph construction example in Matlab.,” 2009.