[论文解读] Head Gesture Recognition using Optical Flow based Classification with Reinforcement of GMM based Background Subtraction

Parimita Saikia, Karen Das|arXiv (Cornell University)|Aug 5, 2013

Hand Gesture Recognition Systems参考文献 20被引用 14

一句话总结

本文提出了一种结合高斯混合模型（GMM）背景减除与基于光流的分类方法的实时头部动作识别系统。通过将光流融入GMM，该方法提升了头部运动检测的准确性，在动态环境中表现出鲁棒性能，实验结果验证了其在控制系统应用中的有效性。

ABSTRACT

This paper describes a technique of real time head gesture recognition system. The method includes Gaussian mixture model (GMM) accompanied by optical flow algorithm which provided us the required information regarding head movement. The proposed model can be implemented in various control system. We are also presenting the result and implementation of both mentioned method.

研究动机与目标

• 开发一种用于控制应用的实时头部动作识别系统。
• 提升在复杂或变化背景中头部运动检测的准确性。
• 将基于GMM的背景减除与光流结合，以增强运动估计性能。
• 在实际场景中评估该融合方法的性能。
• 为头部动作识别提供一种鲁棒且计算效率高的解决方案。

提出的方法

• 使用高斯混合模型（GMM）进行背景减除，以从场景中分离出运动物体。
• 在分割出的前景上计算光流，以估计头部的运动矢量。
• 对光流获得的运动矢量进行分类，以检测特定头部动作（如点头或摇头）。
• 利用光流数据增强GMM结果，以提高分割精度并减少噪声。
• 通过分类流程处理光流特征，以识别预设的头部动作。
• 系统设计为支持实时运行，适用于集成到控制系统中。

实验结果

研究问题

• RQ1 如何通过增强基于GMM的背景减除方法，以提升实时头部动作检测的性能？
• RQ2 光流在多大程度上提升了头部运动分类的准确性？
• RQ3 GMM与光流的融合是否能实现更鲁棒的性能表现，尤其是在动态或杂乱场景中？
• RQ4 该融合方法在实时应用中的计算效率如何？
• RQ5 该系统在不同光照和环境条件下表现如何？

主要发现

• 将光流与GMM结合后，头部动作检测的准确性显著优于仅使用GMM的方法。
• 该系统实现了实时性能，适用于交互式控制系统的部署。
• 通过光流增强GMM可减少误报，并提升头部运动的分割效果。
• 实验结果表明，该方法在各种测试场景中均表现出一致的性能，包括动态背景。
• 该方法能以高可靠性有效区分不同头部动作，如点头与摇头。
• 所提出的方法对轻微的光照变化和背景杂乱具有鲁棒性。