人体动作识别
人体动作识别的相关文献在2008年到2023年内共计196篇,主要集中在自动化技术、计算机技术、无线电电子学、电信技术、体育
等领域,其中期刊论文125篇、会议论文3篇、专利文献293924篇;相关期刊76种,包括电子科技大学学报、科学技术与工程、雷达科学与技术等;
相关会议3种,包括第十五届中国虚拟现实大会暨虚拟现实与可视化技术国际会议、2015年光学精密工程论坛、第十二届中国智能机器人大会等;人体动作识别的相关文献由514位作者贡献,包括郑义彬、智敏、秦磊等。
人体动作识别—发文量
专利文献>
论文:293924篇
占比:99.96%
总计:294052篇
人体动作识别
-研究学者
- 郑义彬
- 智敏
- 秦磊
- 胡琼
- 黄庆明
- 吴峰
- 周小龙
- 姬晓飞
- 屈乐乐
- 杨杰
- 王颖
- 蒋留兵
- 车俐
- 丁川
- 丁楠楠
- 于华
- 傅可人
- 冯辉
- 刘卜瑞
- 刘婷婷
- 刘拴朋
- 刘煜
- 华晨
- 吴志攀
- 吴艾迪
- 吴跃成
- 吴骞
- 周路
- 姚泽鹏
- 孙怀江
- 孙永健
- 宫辰
- 尹建芹
- 崔爱浩
- 帖云
- 张云龙
- 张健
- 张岱阳
- 张弛
- 张德园
- 张桐
- 张良
- 张茂军
- 张鹏
- 徐伟
- 徐玮
- 戴江涛
- 曹小青
- 望周丽
- 李一波
-
-
李博文;
潘晴;
田妮莉;
吴琼琼
-
-
摘要:
基于二维卷积神经网络(2DCNN)和三维卷积神经网络(3DCNN)的人体动作识别方法都存在运算量较大的问题,提出了关节点时空信息融合降维的人体动作识别方法(Joint-trajectory).首先,采用高分辨率网络(HigherHRnet)提取视频每帧图像中人体各个关节点的空间坐标信息,构建单帧图像中人体关节点空间信息行向量;其次,在时间维度上对整段视频的所有关节点空间信息行向量进行纵向拼接,获得该视频的关节点时空信息融合矩阵;最后,使用残差网络对关节点时空信息融合矩阵进行学习和分类.在KTH数据集上的实验结果表明,该方法在有效的降低人体动作识别复杂度的同时,能够获得更高的识别率,且具有较强的鲁棒性.
-
-
屈乐乐;
王禹桐
-
-
摘要:
针对人体动作识别微多普勒雷达数据量有限的问题,本文提出基于梯度惩罚的沃瑟斯坦生成对抗网络(WGAN-GP)进行雷达数据增强,实现深度卷积神经网络(DCNN)在样本数量较少时可以得到有效训练。首先对人体各种动作的线性调频连续波雷达回波数据进行预处理得到微多普勒时频谱图像,然后采用WGAN-GP进行时频谱图像数据增强,最后利用生成的图像对DCNN进行训练。实验结果表明使用WGAN-GP可以有效解决雷达数据不足的问题,从而提高DCNN人体动作识别准确率。
-
-
张丽丽;
刘博;
屈乐乐;
刘雨轩
-
-
摘要:
针对微多普勒特征识别人体动作的局限性,基于调频连续波(Frequency Modulated Continuous Wave,FMCW)雷达采用深度学习方法对人体动作识别,提出了一种特征融合卷积神经网络结构。利用FMCW雷达采样的人体动作回波数据分别构建出时间-距离特征和微多普勒特征图,将这两种特征图作为输入数据分别经由输入层进入卷积层,经Batch Normalization层、ReLU激活函数和最大池化层计算之后完成特征降维,然后对两种降维后的特征进行融合,融合后的特征图再经过卷积层和池化层计算获得更深层次的特征,最后经过两个全连接层,在输出层完成人体动作识别。采用英国格拉斯哥大学公开的数据集进行10折交叉验证,实验结果显示,与单一特征域的识别准确率相比,采用两种特征融合的结构进行人体动作识别的准确率提升了1%,验证了该模型的有效性。
-
-
易思恒;
陈永辉;
王赋攀;
蔡婷
-
-
摘要:
在人机交互动作识别领域中,基于深度学习的动作识别方法比传统的手工特征提取方法准确率更高.为了解决基于深度学习的动作识别方法在实时人机交互的实际应用问题,本文设计并创建了交互动作数据集(IA RGB-D),用于深度学习方法的人体动作识别研究.将IA RGB-D用于多种神经网络的训练和测试,测试结果准确率均在95%以上,验证了数据集的正确性和有效性.为保障对采集动作的实时识别正确率,本文提出了一种基于高效通道注意力的位移图神经网络(ASGCN),将高效通道注意力模块引入位移图卷积神经网络(Shift-GCN),增强其在通道特征上的提取能力.实验证明,ASGCN比Shift GCN准确率更高,提高了复杂动作的识别率,并且与传统的手工特征提取方法对比,识别效率接近但是准确率大幅提升.
-
-
解宇;
杨瑞玲;
刘公绪;
李德玉;
王文剑
-
-
摘要:
传统的人体骨架动作识别算法采用手动构建拓扑图的方式来建模包含在多个视频帧中的动作序列,并针对性地学习每个视频帧以反映数据变化,这容易造成计算代价大、网络泛化性低和灾难性遗忘等问题。针对上述问题,提出了基于动态拓扑图的人体骨架动作识别算法,使用持续学习思想动态构建人体骨架拓扑图。将具有多关系特性的人体骨架序列数据重新编码为关系三元组,并基于长短期记忆网络,通过解耦合的方式学习特征嵌入。当处理新骨架关系三元组时,使用部分更新机制动态构建人体骨架拓扑图,并采用基于时空图卷积网络的骨架动作识别算法来实现动作识别。实验结果表明,所提方法在Kinetics-Skeleton,NTU-RGB+D(X-Sub)和NTU-RGB+D(X-View)基准数据集上分别取得了40%,85%和90%的识别准确率,提高了人体骨架动作识别的准确率。
-
-
叶典;
邱卫根;
张立臣;
黄云晖
-
-
摘要:
针对视频中人体动作行为的空间复杂性和时间复杂性问题,提出一种融合图卷积神经网络和长短期记忆神经网络的双流网络方法2S-LSGCN。从人体关节点组成的骨架关节图中,提取动作的空间与时间特征;利用GCN提取骨架关节点间潜在的空间信息,LSTM提取人体动作前后之间的时间序列特征作为补充,分别将两个网络的预测输出进行晚融合,提高单个网络泛化能力不足的问题。该模型在NTU-RGBD数据集上达到了令人满意的效果,在与该领域中的同类算法比较中表现优异。
-
-
金添;
宋永坤;
戴永鹏;
胡锡坤;
宋勇平;
周小龙;
邱志峰
-
-
摘要:
雷达人体行为感知系统具有穿透探测能力,在安防、救援、医疗等领域具有广泛的应用前景。近年来,深度学习技术的出现促进了雷达传感器在人体行为感知领域的发展,同时对相关数据集的样本规模和丰富性提出了更高的要求。该文公开了一个超宽带雷达人体动作四维成像数据集,该数据集以超宽带多输入多输出雷达为探测传感器来获取了人体目标的距离-方位-高度-时间四维动作数据,共采集了11个人体目标的2757组动作数据,动作类型包含走路、挥手、打拳等10种常见动作,有穿透探测和不穿透探测的实验场景。该文详细介绍了数据集的系统参数、制作流程、数据分布等信息。同时,基于飞桨平台使用计算机视觉领域应用较多的深度学习算法对该数据集进行人体动作识别实验,实验对比结果可以作为参考,为学者使用该数据集提供技术支撑,方便在此基础上进一步探索研究。
-
-
张振;
张师榕;
赵转哲;
刘永明;
阚延鹏;
涂志健
-
-
摘要:
针对当前人体动作识别算法检测精度不佳和实验场景多样性的问题,提出了一种混合卷积神经网络−隐马尔可夫模型(CNN-HMM)的人体动作识别方法。建立了抬腿、深蹲和仰卧臀桥3组分别包含1个标准动作姿态和5个非标准动作姿态的人体康复训练动作模型库,结合可穿戴式惯性动作捕捉系统PN2.0获取实验数据。最后从准确率、灵敏度和特异性3个方面进行性能评估。实验结果表明,该方法能够以较高识别率将6种不同动作姿态区分开,其平均识别准确率为97.00%,相较于单一CNN方法提高了5.78%。
-
-
朱相华;
智敏
-
-
摘要:
为了梳理深度学习方法在人体动作识别领域的发展脉络,对该领域近年来最具代表性的模型和算法进行了综述。以人体动作识别任务流程为线索,详细阐述了深度学习方法在视频预处理阶段、网络结构上的最新成果及其优缺点。介绍了人体动作识别相关的两类数据集,并选取常用的几种进行具体说明。最后,对人体动作识别未来的研究方向进行了探讨与展望。
-
-
屈乐乐;
张丁元;
杨天虹;
孙延鹏
-
-
摘要:
针对单频段雷达利用微多普勒特征识别人体动作能力有限的问题,提出了一种基于双频段调频连续波(Frequency Modulation Continuous Wave,FMCW)雷达的人体动作识别方法。首先利用K频段与C频段两部不同频段的FMCW雷达分别对人体不同动作进行探测收集到回波数据,对回波数据进行预处理分别得到距离时间、距离多普勒与微多普勒时频谱图像;然后,运用主成分分析法对图像进行特征提取得到特征向量,对提取到的特征向量进行特征级融合;最后,将融合后的特征作为支持向量机的输入从而实现人体动作识别。采用雷达实测数据的实验结果表明,基于双频段FMCW雷达联合工作的探测方法对五种人体动作的识别正确率为96.25%,优于单个频段FMCW雷达单独工作时的动作识别正确率。
-
-
-
LIU Zhi-qiang;
刘志强;
YIN Jian-qin;
尹建芹;
ZHANG Ling;
张玲;
WEI Jun;
魏军;
LIU Xiao-li;
刘小丽
- 《2015年光学精密工程论坛》
| 2015年
-
摘要:
为了提高家庭环境下人体动作识别的效率和精度,提出并实现了基于Kinect数据主成分分析的动作识别方法.首先,通过Kinect采集人体动作特征描述的时间序列数据,并构造人体姿态描述向量;然后,运用主成分分析方法分析不同时间点的特征值的差异,获得重构的特征值,使得不同类型的动作之间有明显区别.同时减少了冗余和噪声,有利于动作的判断和识别.最后,依据重构的特征和最近邻原则,进行动作的识别分类.实验结果表明,该方法对简单的人体动作识别精度可达80%以上,单个样本识别时间分别是1.67ms和3.93ms,基本满足对人体动作识别的精度、抗干扰能力和实时性等要求.
-
-
WU Hao;
武昊;
XI-Xu-gang;
席旭刚;
LUO Zhi-zeng;
罗志增
- 《第十二届中国智能机器人大会》
-
摘要:
日常行为动作感知和跌倒检测是健康监护中重要的一个方面,为更好的监护老年人身体健康,提出一种基于D-S证据理论的多分类SVM人体动作识别方法.首先分别采集下肢表面肌电信号和躯干的加速度信号并进行预处理和特征提取;其次分别输入SVM得到后验概率输出,最后在决策级对SVM多分类输出进行D-S证据理论融合.实验结果表明该方法对人体8种动作识别率88.75%,能正确分类采用单源信号时所错分的样本,有效提高单一传感器人体动作识别率,降低识别整体误差.