题目：基于立体视觉的人体行为识别

    人体行为识别一直以来都是计算机视觉领域高度活跃的研究内容之一。传统的基于视觉的人体行为识别主要依靠单个可见光图像或可见光视频流，可见光图像虽然包含丰富的信息，但常常遭遇光照变化、阴影以及环境变化等因素的干扰，兴趣点的检测受物体纹理影响较大，在发生遮挡或重叠时效果也大打折扣，许多工作包括运动人体检测、人体姿态估计等鲁棒性较差。深度图像的出现可以很好地克服以上可见光图像模式识别常遇到的困难，随着近年来深度感知硬件的不断升级，特别是微软的深度感知设备—Kinect相机的出现，为人体行为识别提供了比较准确的深度信息，使得大量人体行为识别相关工作更加方便、准确和迅速，特别是大大促进了人体骨架关节点提取技术的发展，基于立体视觉的人体行为分析立刻引起广泛的关注。

    论文在分析研究目前主流人体行为识别方法的基础上给出了一种基于立体视觉的人体行为识别方法。该方法主要包括三个部分：（1）首先采用随机决策森林进行人体部位识别和关节点位置提取，论文提出了一种改进的深度比较特征和改进的随机决策森林训练方法，改进后的方法相比于原始方法只需要少量训练数据即可准确地识别人体各个部位。（2）从高层人体结构和低层图像信息两个层次进行特征提取，高层人体结构方面，基于第一部分得到的关节点位置构造了关节位置直方图特征、骨架方向特征和双手特征；低层图像信息方面，基于原始深度图像在三个笛卡尔平面的投影提取出三维投影轮廓特征，实验表明论文中提取出的特征均可以较好地描述人体行为。（3）使用第二部分提取出的每类行为特征，论文采用隐马尔科夫模型对人体行为进行建模，并且为了更好地融合各类特征的识别效果，提出了一种新的组合HMM弱分类器为强分类器的HMM-Adaboost方法，实验表明该方法针对复杂行为有更好的识别效果，并且增加了分类器在不同对象的行为之间的泛化能力。