关键帧提取的主要目的是通过提取动作序列中具有表征意义的帧来简洁表述该动作行为的内容。本章主要对Kinect 传感器采集的骨架关节点数据进行关键帧提取方法研究。但进行关键帧提取时，不仅要考虑能更好地表示原始动作的关键帧数目，而且还要考虑后续的动作识别效果。因此，本章进行关键帧提取一般遵循以下原则：将动作特征代表性不是很明显的帧去除，保证提取的关键帧能完整描述整个动作。...
2023-10-28 理论教育
基于图像深度信息的人体动作识别研究
- 详细阅读
-
人体动作识别：基于卷积神经网络的深度图像研究详细阅读
图5.1构建卷积神经网络的关键部分示意图卷积层卷积层是卷积神经网络的重要组成部分。卷积神经网络中，使用激活函数的目的是能进行非线性建模，拥有逐层的非线性映射学习能力。图5.2卷积神经网络中权值共享示意图下采样层输入向量通过卷积层输出后，图像特征向量的维度将会快速增加，容易出现过拟合现象。...
2023-10-28 理论教育
-
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 理论教育
-
张量形状描述子在人体动作识别中的应用详细阅读
形状描述子三维轨迹的形状描述子是对各个离散轨迹点之间位置关系的一种表示。曲率表示运动轨迹曲线的局部形状变换，提取多尺度下曲率的过零点值，即空间极值点，将其作为形状描述子，这种方法称为曲率尺度空间。下面对3 种常用的形状特征描述子作简要介绍。该距离集合就是中心距函数形状描述子。根据上述分析，将利用欧氏距离描述运动轨迹形状的描述子，称为完整形状描述子。该完整形状描述子具有旋转、尺度和平移不变性。...
2023-10-28 理论教育
-
基于图像深度信息的人体动作识别的优点与成果详细阅读
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。...
2023-10-28 理论教育
-
基于图像深度信息的人体动作识别研究:实验结果与分析详细阅读
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 理论教育
-
基于深度信息的3D卷积神经网络构建与人体动作识别研究详细阅读
同样，利用卷积神经网络进行特征提取，也需要考虑上述因素。因此，有必要将卷积神经网络扩展到三维空间。图5.43D CNNs 总体架构示意图本章提出的3D 深度卷积神经网络模型包括5 个卷积层、2 个下采样层（池化层）、2 个全连接层及1 个Softmax 分类层。卷积神经网络模型一般使用Dropout 技术，防止过拟合现象。因此，本章选择贝叶斯算法优化3D 深度卷积神经网络。...
2023-10-28 理论教育
-
基于图像深度信息的人体动作识别实验成果详细阅读
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 理论教育
-
不同输入模型对比实验：基于图像深度信息的识别研究详细阅读
为了验证张量模型的有效性，采用两种不同输入模型进行对比实验：一种是直接用向量模型作为输入量；另一种是构建张量模型作为输入量。表2.1不同输入模型在MoCap 数据集识别率对比实验过程说明：①实验使用的数据集是Kinect 采集的三维坐标位置信息，选用人体骨架20 个关节点的骨骼模型。实验使用最近邻分类器进行动作分类，动作识别率见表2.1。...
2023-10-28 理论教育
-
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 理论教育
-
人体动作识别方法研究：基于图像深度信息的关键帧提取详细阅读
如何对人体动作数据进行关键帧提取，国内外学者提出了不同处理方法，主要分为以下4 类：基于聚类方法聚类方法是一种根据样本相似度进行归类的方法。Liu 等[152]提出一种基于镜头级别的帧和帧之间差异性进行关键帧提取方法，首先在镜头级别选择一组候选关键帧，然后使用视频镜头内和镜头之间的信息过滤候选集，最后提取符合要求的动作帧作为动作序列关键帧。...
2023-10-28 理论教育
-
基于深度信息的人体动作识别：底层视觉特征提取详细阅读
特征提取是人体动作识别的一个重要环节，高效、准确地提取特征可极大地提高动作识别率。学者们一般从两个方面进行底层视觉特征的提取：一是提取全局特征；二是提取局部特征。其目的是通过人体的形状轮廓信息获取全局特征。而对局部特征的提取方法，目前主要集中在提取时空兴趣点和动作运动轨迹两个方面。其优点是不易受到噪声和遮挡因素的影响，缺点是对提取的特征点准确性要求较高。下面简单介绍3 类特征提取方法。...
2023-10-28 理论教育
-
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 理论教育
-
基于深度信息的动作识别研究成果详细阅读
3D CNNs模型在两种条件下的训练收敛速度如图5.5 所示，对比实验结果见表5.3。使用3D CNNs 模型在SBU-Interaction 数据集上进行动作识别可获得96.76%的平均识别率，通过迁移学习动作识别率可提高到97.42%，充分验证迁移学习在3D CNNs 模型上的可行性和有效性。...
2023-10-28 理论教育
-
人体动作识别研究：关键帧提取技术详细阅读
关键帧提取在人体动作识别率中起着重要的作用。本节根据上一节提出的基于空间曲度概念进行动作序列关键帧提取。，N}，其中，Lk表示关键帧组成动作序列的长度。关键帧提取数目的多少完全依赖阈值的设定，即阈值将是权衡动作识别准确率和运算复杂性之间的关键因素。⑦设定阈值τ，根据式进行关键轨迹点选取。...
2023-10-28 理论教育
-
空间曲度的重要性及应用研究详细阅读
目前，学者们使用3 类方法进行曲线拟合，即图像细化重建法、最小二乘法和模型重建法。给定一组数据，利用式（3.1）在函数空间Φ=span{φ0，φ1，…假定曲线上的位置向量C，可通过式（3.5）—式（3.7）定义随着时间t演变的B-spline 曲线，即其中，C 是B-spline 曲线；是基函数；ui是节点矢量；Pi是控制点；k 是次数，当k=3 时，称为三次B-spline 曲线。空间曲度比单一的轨迹点曲率能更好地描述轨迹形状的突变情况。...
2023-10-28 理论教育