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

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 خلاهای 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.

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

Human Action and behavior recognition have many applications in computer vision and researchers have been working on this area for many years. Twoplayer 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 using2dimensional 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.