-
题名基于时空多残差图卷积的3D骨骼点动作识别
被引量：2
- 1
-
-
作者
高猛
丁英强
辛华磊
陈恩庆
-
机构
郑州大学信息工程学院
-
出处
《小型微型计算机系统》
CSCD
北大核心
2022年第12期2570-2574,共5页
-
基金
国家自然科学基金项目(U1804152)资助。
-
文摘
近年来,随着人机交互和智能监控需求的增加,基于骨骼点的人体动作识别方法获得越来越广泛的研究和应用.传统方法多从已知骨骼序列中提取信息,依赖手工选取的特征,并利用骨骼点之间动态变化对动作建模.现有的时空图卷积网络模型仅利用时域的局部特征信息对动作识别分类,忽略了全局特征信息的作用,造成对于相似动作的判定不准确的问题.针对此问题,本文提出一种基于时空图卷积的多残差图卷积模型,利用图卷积网络获取的局部特征信息与残差卷积模块获取的全局特征信息相融合,从而提高了模型的表达能力.同时通过自适应池化的方法,减少了网络超参数的使用,增加了网络模型的泛化能力.通过在NTURGB-D、Kinetics等大型数据集上的大量实验表明,所提模型可以获得比现有时空图模型更好的识别效果.
-
关键词
动作识别
时空图模型
全局特征
多残差卷积模型
信息融合
-
Keywords
action recognition
spatiotemporal graph model
global characteristics
multi residual model
information fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于人体骨架模型的远红外视频下老人摔倒检测
被引量：2
- 2
-
-
作者
王保栋
江鹏飞
董子昊
李金屏
-
机构
济南大学信息科学与工程学院
济南大学山东省网络环境智能计算技术重点实验室
济南大学山东省“十三五”高校信息处理与认知计算重点实验室
-
出处
《济南大学学报（自然科学版）》
CAS
北大核心
2022年第1期65-73,共9页
-
基金
山东省重点研发计划项目(2017CXGC0810)
山东省高等学校科技计划项目(J18KA371)。
-
文摘
利用远红外光谱视频进行老人摔倒检测研究,提出一种基于人体骨架模型的远红外视频下老人摔倒检测算法;采用YOLOv4-Tiny算法获取远红外视频中人体目标位置,再利用COCO数据集训练的区域多人姿态估计网络模型,直接对自采集的远红外视频进行人体骨架提取,得到人体关节点序列,然后对人体骨架建立时空图卷积模型进行特征提取进而检测摔倒行为,并在自采集的远红外与可见光数据集中进行算法测试。结果表明,该算法对远红外数据集的摔倒检测准确率为87.71%,验证了算法对远红外视频下摔倒行为检测的有效性。
-
关键词
老人摔倒检测
远红外视频
人体骨架模型
时空图卷积模型
-
Keywords
elderly fall detection
far-infrared video
human skeleton model
spatial temporal graph convolution model
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于姿态估计的人体异常行为识别算法
被引量：7
- 3
-
-
作者
李建更
谢海征
-
机构
北京工业大学信息学部
-
出处
《北京工业大学学报》
CAS
CSCD
北大核心
2022年第7期710-720,共11页
-
基金
国家自然科学基金资助项目(61873008)
北京市自然科学基金资助项目(4182008)。
-
文摘
为了及时、准确地检测视频监控下人体异常行为的发生,提出一种基于姿态估计的人体异常行为识别算法.该算法首先利用基于深度学习的人体姿态估计算法提取人体的骨骼关键点坐标,组成包含空间信息和时间序列信息的时空图模型,模型中每个节点对应于人体的一个关节,同时包含2种类型的边,一种是符合人体关节自然连通性的空间边,另一种是跨越连续时间的时序边;然后,对时空图进行多阶段的时空图卷积操作,提取高级特征;最后,用Softmax分类器进行行为分类,得到行为结果并判断是否为异常行为.在KTH单人数据集和HMDB51多人交互数据集上进行对比实验,与当前先进的方法相比,在准确率方面取得了较好的结果.对实时视频进行测试,实时检测识别帧率达到25帧/s,可实现实时处理监控视频.
-
关键词
人体异常行为
人体姿态估计
深度学习
时空图模型
时空图卷积网络
实时检测识别
-
Keywords
human abnormal behavior
human pose estimation
deep learning
spatial temporal graph model
spatial temporal graph convolutional networks
real-time detection and recognition
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于新分区策略的ST-GCN人体动作识别
被引量：6
- 4
-
-
作者
杨世强
李卓
王金华
贺朵
李琦
李德信
-
机构
西安理工大学机械与精密仪器工程学院
-
出处
《计算机集成制造系统》
EI
CSCD
北大核心
2023年第12期4040-4050,共11页
-
基金
国家自然科学基金资助项目(51475365)
陕西省自然科学基础研究计划资助项目(2017JM5088)。
-
文摘
人体动作识别是智能监控、人机交互、机器人等领域的一项重要技术,基于人体骨架序列的动作识别方法在面对复杂背景以及人体尺度、视角和运动速度等变化时具有先天优势。时空图卷积神经网络模型(ST-GCN)在人体行为识别中具有卓越的识别性能,针对ST-GCN网络模型中的分区策略只关注局部动作的问题,设计了一种新的分区策略,通过关联根节点与更远节点,加强身体各部分信息联系和局部运动之间的联系,将根节点的相邻区域划分为根节点本身、向心群、远向心群、离心群和远离心群等5个区域,同时为各区域赋予不同的权重,提升了模型对整体动作的感知能力。最后,分别在公开数据集和真实场景下进行实验测试,结果表明,在大规模数据集Kinetics-skeleton上获得了31.1%的Top-1分类准确率,相比原模型提升了0.4%;在NTU-RGB+D的两个子数据集上分别获得了83.7%和91.6%的Top-1性能指标,相比原模型提升了2.3%和3.3%;在真实场景下,所提模型对动作变化明显且区别大的动作如俯卧撑和慢跑识别率高,对局部运动和动作变化相近的动作如鼓掌和摇头识别率偏低,尚有进一步提高的空间。
-
关键词
动作识别
深度学习
时空图卷积神经网络模型
分区策略
骨架序列
-
Keywords
action recognition
deep learning
spatial-temporal graph convolution networks model
partition strategy
skeleton sequence
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
