-
题名融合内在拓扑与多尺度时间特征的骨架动作识别
被引量：2
- 1
-
-
作者
王琪
何宁
-
机构
北京联合大学北京市信息服务工程重点实验室
北京联合大学智慧城市学院
-
出处
《计算机工程与应用》
北大核心
2025年第4期150-157,共8页
-
基金
国家自然科学基金(62272049,62236006,62172045)
北京市教委科技项目(KM202111417009)
国家重点研发计划(2018AAA0100804)。
-
文摘
图卷积网络在基于骨架的人体动作识别任务中发挥着关键作用。为了解决现有的图卷积网络忽略内在关系,时间卷积功能受限,以及未能充分探索关节与骨骼之间潜在功能相关性等问题,提出一种融合内在拓扑与多尺度时间特征的骨架动作识别方法。为推断上下文内在拓扑关系,模型利用多头自注意力机制和共享拓扑构建内在拓扑空间图卷积模块;基于复杂的动作序列分析构建多尺度时间卷积模块,旨在扩展时间卷积结构并捕捉多尺度时间特征;模型搭建关节和骨骼信息交互桥梁,实现两者信息的有效传输和融合,以便更深入地探索它们之间的功能相关性。对所提出的方法进行验证,在NTU-RGB+D 60数据集上取得了CS基准91.5%和CV基准96.9%的识别准确率,在NTU-RGB+D 120数据集上分别取得了C-Sub基准89.0%和C-Set基准90.8%的准确率。实验结果表明所提出方法能够更加有效地提取骨架时空特征,进而提升识别精度。
-
关键词
骨架动作识别
图卷积
内在拓扑
多尺度
信息融合
-
Keywords
skeleton action recognition
graph convolution
intrinsic topology
multi-scale
information fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于轻量级图卷积的人体骨架动作识别方法
被引量：8
- 2
-
-
作者
孙琪翔
何宁
张聪聪
刘圣杰
-
机构
北京联合大学北京市信息服务工程重点实验室
北京联合大学智慧城市学院
-
出处
《计算机工程》
CAS
CSCD
北大核心
2022年第5期306-313,共8页
-
基金
国家自然科学基金(61872042,61572077)
北京市教委科技计划重点项目(KZ201911417048)
+3 种基金
北京市教委科技计划面上项目(KM202111417009)
北京联合大学人才强校优选计划(BPHR2020AZ01,BPHR2020EZ01)
北京联合大学科研项目(ZK50202001)
北京联合大学研究生科研创新项目(YZ2020K001)。
-
文摘
视频中的人体动作识别在计算机视觉领域得到广泛关注,基于人体骨架的动作识别方法可以明确地表现人体动作,因此已逐渐成为该领域的重要研究方向之一。针对多数主流人体动作识别方法网络参数量大、计算复杂度高等问题,设计一种融合多流数据的轻量级图卷积网络,并将其应用于人体骨架动作识别任务。在数据预处理阶段,利用多流数据融合方法对4种特征数据流进行融合,通过一次训练就可得到最优结果,从而降低网络参数量。设计基于图卷积网络的非局部网络模块,以捕获图像的全局信息从而提高动作识别准确率。在此基础上,设计空间Ghost图卷积模块和时间Ghost图卷积模块,从网络结构上进一步降低网络参数量。在动作识别数据集NTU60 RGB+D和NTU120 RGB+D上进行实验,结果表明,与近年主流动作识别方法ST-GCN、2s AS-GCN、2s AGCN等相比,基于该轻量级图卷积网络的人体骨架动作识别方法在保持较低网络参数量的情况下能够取得较高的识别准确率。
-
关键词
人体骨架动作识别
数据融合
图卷积
非局部网络模块
Ghost网络
-
Keywords
human skeleton action recognition
data fusion
graph convolution
non-local network module
Ghost network
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于几何特征与LSTM网络结合的动作识别算法
被引量：3
- 3
-
-
作者
邬倩
吴飞
骆立志
-
机构
上海工程技术大学电子电气工程学院
-
出处
《传感器与微系统》
CSCD
2020年第10期111-114,共4页
-
基金
国家自然科学基金资助项目(61272097)
上海市科技学术委员会重点项目(18511101600)。
-
文摘
为进一步提高基于人体骨架动作识别的识别率,打破以往大部分基于深度学习的方法的输入都为人体骨架关节坐标的局限性,提出了一种将骨架几何特征与长短期记忆(LSTM)网络结合的动作识别算法。选择基于关节与选定直线之间距离的骨架几何特征代替骨架关节坐标作为网络的输入,并引入了基于LSTM的网络结构,即时序关注LSTM网络。利用时序关注LSTM网络具有重点关注最具识别性的帧的能力,在SBU Interaction数据集和UT Kinect数据集上分别取得了99.25%和98.79%的识别率。实验结果证明:该方法对基于人体骨架动作识别的有效性。
-
关键词
骨架动作识别
几何特征
长短期记忆(LSTM)网络
-
Keywords
skeleton-based action recognition
geometric features
long short-term memory(LSTM)networks
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
