表4.2同类识别算法对比的平均识别率图4.4在MSRActionPairs 数据集上平均识别率91.5%的混淆矩阵示意图实验结论：①基于人物交互相似动作识别，本章提出的基于深度图像的多特征融合算法能达到91.5%的平均识别率，充分验证基于交互动作整体结构的识别算法在相似“动作对”中具有较好的辨识性和有效性。......
2023-10-28
基于图像深度信息的人体动作识别的优点与成果
【摘要】：卷积神经网络的这种局部连接、权值共享结构使其布局更接近于实际生物神经网络。②卷积神经网络引入多种形式的池化操作，可对特征提取过程产生的局部相似视觉特征、局部结构的尺度差异，甚至对局部几何畸变起到抑制作用，较好地保持了旋转、尺度和缩放不变性，能得到更加鲁棒的特征描述。更为关键的是，卷积神经网络在每一个神经元节点使用相同的连接权值，可更有效地捕获图像不同部位的同类型视觉特征。
在人体动作识别研究中，卷积神经网络有别于常规的反馈神经网络，其独特的网络结构可有效地降低网络结构的复杂性，是一种高效的识别方法。该网络可直接对输入图像进行滤波和局部邻域的池化操作，得到分级特征并进行规则化训练，并能获得较好的输出结果，避免了使用传统人工设计特征提取方法的数据重建过程。
卷积神经网络的优点是同一特征映射的神经元共享相同的权值，从而可隐式地从训练数据中进行特征的并行学习。例如，前向神经网络输出层和隐含层的神经元都连接到上一层的所有神经元，而卷积神经网络的不同之处在于神经元只进行部分连接输出。卷积神经网络的这种局部连接、权值共享结构使其布局更接近于实际生物神经网络。在人体动作识别研究方面，它比以往的神经网络更具以下优势：
①卷积神经网络的拓扑结构和输入图像可很好地吻合。卷积神经网络采用相邻层节点之间的局部连接方式代替前馈神经网络的全连接，这种特性使卷积神经网络能更好地学习图像数据中如方向、边缘以及角点等底层视觉特征，借助卷积神经网络能生成更高级、更具语义信息的视觉特征。(www.chuimin.cn)
②卷积神经网络引入多种形式的池化操作，可对特征提取过程产生的局部相似视觉特征、局部结构的尺度差异，甚至对局部几何畸变起到抑制作用，较好地保持了旋转、尺度和缩放不变性，能得到更加鲁棒的特征描述。
③通过独特的权值共享结构不仅可使神经网络的训练参数减少，使结构更为简单，而且还提高了神经网络的适应性。更为关键的是，卷积神经网络在每一个神经元节点使用相同的连接权值，可更有效地捕获图像不同部位的同类型视觉特征。
有关基于图像深度信息的人体动作识别研究的文章
- 详细阅读
-
基于图像深度信息的人体动作识别研究-最新成果详细阅读
由于人体动作的多样性和周边环境的复杂性，使人体动作识别充满了挑战。人体动作识别最初的研究都是基于RGB 视频图像序列，许多学者分别从静态特征、动态特征和时空特征3 个方面对该领域的工作进行了总结[1-4]。虽然基于RGB 视频图像序列的动作识别研究取得了较好的成果，但因其复杂背景、相机视角、光照变化以及遮挡等问题，人体动作识别研究仍然存在诸多挑战。......
2023-10-28
-
基于图像深度信息的人体动作识别研究成果详细阅读
最初，人体动作识别主要是以RGB 视频图像为研究对象，经过多年的努力，人体动作识别技术已取得了较快的发展。本书使用Kinect 传感器采集人体动作的深度图像信息，探讨人体动作识别的相关理论和技术难点，着重研究如何消除可能对识别结果造成的干扰因素，提高人体动作识别的鲁棒性与普适性。......
2023-10-28
-
基于图像深度信息的人体动作识别研究现状详细阅读
下面简单介绍大部分可公开获取的RGB-D 动作行为数据集。目前有3类人体动作行为数据集，即单视角动作行为数据集、多视角动作行为数据集和双人/多人交互动作行为数据集。单视角动作行为数据集MSR-Action3D[30]数据集是微软研究院2010 年公开的RGB-D 单视角行为数据集。10 个受试者共320 个样本。UTKinect[31]行为数据集是得克萨斯大学2012 年公布的。UTD-MHAD[88]行为数据集是由得克萨斯大学2015 年公布的。8 个受试者每个动作执行4 次。......
2023-10-28
-
基于图像深度信息的人体动作识别研究结果详细阅读
深度传感器Kinect 采集的深度图像与实时采集的骨骼模型深度信息相比，更能直观和完整地描述动作形状特征以及动态特征。图1.2深度传感器Kinect 采集的图像类型基于深度图像提取的特征主要包括全局特征和局部特征。基于深度图像的局部特征提取方法是人体动作识别领域中的一个研究热点。除了上述常用的人体动作识别研究方法外，还有另外一种研究方法，即将图像序列转换为3D 点云序列数据进行动作识别。......
2023-10-28
-
基于图像深度信息的人体动作识别研究:实验结果详细阅读
针对上述噪声，本章引入高斯核函数进行滤波处理。同时，高斯核函数还具有单瓣频谱特性，对噪声具有很好的抑制作用。同样，为了获取紧凑的运动特征和更好的传输不变性，实验使用Max-pooling 技术进行下采样，归一化处理，形成向量Sm。......
2023-10-28
-
基于图像深度信息的动作识别实验结果详细阅读
表2.2不同识别算法在MSR-Action3D 数据集识别率对比图2.6在MSR-Action3D 数据集上识别率90.5%的混淆矩阵示意图第二个数据集是微软研究院于2012 年公开的MSRC-12 动作行为数据集[137]。同样使用最近邻分类器进行分类，其实验结果见表2.3，本章所述方法获得的动作识别率相应混淆矩阵如图2.7 所示。......
2023-10-28
-
基于深度图像的人体动作识别实验详细阅读
表3.1在MoCap 动作序列上提取关键帧从实验可知，本章提出的关键帧提取算法可有效地提取具有代表性的动作序列帧，关键帧序列只占样本序列的2/3 甚至更少，其余的帧均为冗余信息。因此，关键帧提取对减少运算复杂度、提高动作识别率具有重要意义。在关键帧提取实验的基础上，又进行了动作序列的关键轨迹提取实验。......
2023-10-28
相关推荐